Lipidomic-Based Approach to 10 s Classification of Major Pediatric Brain Cancer Types with Picosecond Infrared Laser Mass Spectrometry
Notice bibliographique
Résumé
Picosecond infrared laser mass spectrometry (PIRL-MS) is shown, through a retrospective patient tissue study, to differentiate medulloblastoma cancers from pilocytic astrocytoma and two molecular subtypes of ependymoma (PF-EPN-A, ST-EPN-RELA) using laser-extracted lipids profiled with PIRL-MS in 10 s of sampling and analysis time. The average sensitivity and specificity values for this classification, taking genomic profiling data as standard, were 96.41 and 99.54%, and this classification used many molecular features resolvable in 10 s PIRL-MS spectra. Data analysis and liquid chromatography coupled with tandem high-resolution mass spectrometry (LC-MS/MS) further allowed us to reduce the molecular feature list to only 18 metabolic lipid markers most strongly involved in this classification. The identified 'metabolite array' was comprised of a variety of phosphatidic and fatty acids, ceramides, and phosphatidylcholine/ethanolamine and could mediate the above-mentioned classification with average sensitivity and specificity values of 94.39 and 98.78%, respectively, at a 95% confidence in prediction probability threshold. Therefore, a rapid and accurate pathology classification of select pediatric brain cancer types from 10 s PIRL-MS analysis using known metabolic biomarkers can now be available to the neurosurgeon. Based on retrospective mining of 'survival' versus 'extent-of-resection' data, we further identified pediatric cancer types that may benefit from actionable 10 s PIRL-MS pathology feedback. In such cases, aggressiveness of the surgical resection can be optimized in a manner that is expected to benefit the patient's overall or progression-free survival. PIRL-MS is a promising tool to drive such personalized decision-making in the operating theater.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».