Assessing residual cancer burden in breast cancer patients undergoing neoadjuvant chemotherapy using the OptiScan probe and machine learning
Notice bibliographique
Résumé
Breast cancer patients undergoing neoadjuvant chemotherapy (NAC) require precise and accurate evaluation of treatment response. Residual cancer burden (RCB) estimation is a critical prognostic tool used in breast cancer outcomes assessment. In this pioneering study, we introduce the OptiScan probe, an innovative machine-learning-based optical biosensor, to assess residual cancer burden in patients undergoing NAC. The study enrolled 32 patients (mean age: 61.8 years), with comprehensive data collected pre- and post-each NAC cycle. Using the Modified Diffusion Equation (MDE) algorithm and advanced regression analysis, we meticulously calculated the optical properties and generated functional images of both healthy and affected breast tissues. Leveraging these insights, a robust machine learning model was developed, harnessing optical parameter values and breast cancer imaging features to predict RCB values. The predictive model showcased exceptional performance, achieving an impressive accuracy of 96.875% and 96.88% sensitivity in predicting RCB based on optical property alterations. These findings underscore the potency of the OptiScan probe as a pivotal tool for assessing breast cancer response post-NAC. This innovative approach holds promise as a noninvasive and accurate method for monitoring patient responses, contributing to improved treatment decisions and patient outcomes. By combining the power of machine learning with cutting-edge optical imaging, this study marks a significant stride toward personalized and effective breast cancer management.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».