Comparative aspects of targeted sentinel lymph node mapping in veterinary and human medicine: opportunities for future research
Notice bibliographique
Résumé
There is a significant overlap in the genetic, metabolic and epigenetic alterations between human and companion animal cancers, including those of the oral cavity, breast, bladder, skin, lungs and pancreas. In many cancer types, the identification and removal of affected lymph nodes are essential for accurate cancer management, including treatment and prognosis. Historically, lymphadenectomy and subsequent radical resection based on regional anatomy, palpation and lymph node aspirates were considered sufficient; however, modern approaches with sentinel lymph node mapping (SLN) mapping have increased the accuracy of surgical decision-making. Preoperative and intraoperative SLN mapping techniques in veterinary patients parallel those used in human medicine. While many of these techniques are highly successful, the main challenges with current methodologies are their sensitivity and specificity for the presence of cancer, which can be overcome via precision medicine and targeted SLN mapping agents. Given the large population of dogs and cats with cancer, the crossover of knowledge between species can help to deepen our understanding of many of these cancers and can be useful in evaluating new drugs and/or therapies. In this review, we discuss SLN mapping techniques in veterinary medicine and the concept of precision medicine as it relates to targeted SLN mapping imaging agents. The large number of companion animals affected by cancer is an underutilized resource to bridge the translational gap and we aim to provide a reference for the use of dogs and cats as a comparative model for human SLN mapping.
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 | 0,011 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».