Photosensitizer spatial heterogeneity and its impact on personalized interstitial photodynamic therapy treatment planning
Notice bibliographique
Résumé
SignificancePersonalized photodynamic therapy (PDT) treatment planning requires knowledge of the spatial and temporal co-localization of photons, photosensitizers (PSs), and oxygen. The inter- and intra-subject variability in the photosensitizer concentration can lead to suboptimal outcomes using standard treatment plans.AimWe aim to quantify the PS spatial variation in tumors and its effect on PDT treatment planning solutions.ApproachThe spatial variability of two PSs is imaged at various spatial resolutions for an orthotopic rat glioma model and applied in silico to human glioblastoma models to determine the spatial PDT dose, including in organs at risk. An open-source interstitial photodynamic therapy (iPDT) planning tool is applied to these models, deriving the spatial photosensitizer quantification resolution that consistently impacts iPDT source placement and power allocation.ResultsThe ex vivo studies revealed a bimodal photosensitizer distribution in the tumor. The concentration of the PS can vary by a factor of 2 between the tumor core and rim, with slight variation within the core but a factor of 5 in the rim. An average sampling volume of 1 mm3 for photosensitizer quantification will result in significantly different iPDT planning solutions for each case.ConclusionsAssuming homogeneous photosensitizer distribution results in suboptimal therapeutic outcomes, we highlight the need to predict the photosensitizer distribution before source placement for effective treatment plans.
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) | 0,001 | 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 ».