Real‐Time, <scp>AI</scp>‐Guided Photodynamic Laparoscopy Enhances Detection in a Rabbit Model of Peritoneal Cancer Metastasis
Notice bibliographique
Résumé
Accurate diagnosis is essential for effective cancer treatment, particularly in peritoneal surface malignancies, where failure to detect metastatic lesions can mislead the treatment plan. This study assessed the diagnostic accuracy of staging laparoscopy using the integration of artificial intelligence (AI)-guided photodynamic diagnosis (PDD) with the photosensitizer Phonozen, activated at 405 nm in a rabbit model. To create peritoneal carcinomatosis, VX2 cells were inoculated laparoscopically into the peritoneum of female white New Zealand rabbits. Conventional and PDD-guided laparoscopy utilized a customized light source that emitted broad-spectrum white light or 405-nm blue light, respectively. The surgical procedure comprised a tripartite approach: exploration and labeling of suspected nodules under white-light visualization, identification of additional metastatic tumors under blue-excitation fluorescent light, and confirmatory open laparotomy to locate overlooked nodules by palpation. Our results showed that the initial experimental data from 371 nodules in 14 rabbits, comparing conventional diagnostic laparoscopy and PDD, showed increased detection sensitivity from 67% ± 1.9% (conventional) to 98% ± 0.7% (PDD) in the small-size nodule. In the second experimental data set from 265 nodules in 10 rabbits, the addition of a real-time AI algorithm further increased the sensitivity to 100% ± 0.0%. Combining PDD with AI enhances the detection of peritoneal cancer metastasis in staging laparoscopy.
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 | 0,000 |
| 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 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 ».