Recent Advances and Future Directions in Sonodynamic Therapy for Cancer Treatment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep-tissue solid cancer treatment has a poor prognosis, resulting in a very low 5-year patient survival rate. The primary challenges facing solid tumor therapies are accessibility, incomplete surgical removal of tumor tissue, the resistance of the hypoxic and heterogeneous tumor microenvironment to chemotherapy and radiation, and suffering caused by off-target toxicities. Here, sonodynamic therapy (SDT) is an evolving therapeutic approach that uses low-intensity ultrasound to target deep-tissue solid tumors. The ability of ultrasound to deliver energy safely and precisely into small deep-tissue (>10 cm) volumes makes SDT more effective than conventional photodynamic therapy. While SDT is currently in phase 1/2 clinical trials for glioblastoma multiforme, its use for other solid cancer treatments, such as breast, pancreatic, liver, and prostate cancer, is still in the preclinical stage, with further investigation required to improve its therapeutic efficacy. This review, therefore, focuses on recent advances in SDT cancer treatments. We describe the interaction between ultrasound and sonosensitizer molecules and the associated energy transfer mechanism to malignant cells, which plays a central role in SDT-mediated cell death. Different sensitizers used in clinical and preclinical trials of various cancer treatments are listed, and the critical ultrasound parameters for SDT are reviewed. We also discuss approaches to improve the efficacies of these sonosensitizers, the role of the 3-dimensional spheroid in vitro investigations, ultrasound-controlled CAR-T cell and SDT-based multimodal therapy, and machine learning for sonosensitizer optimization, which could facilitate clinical translation of SDT.
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.
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 découle