Nano biosensor unlocks tumor derived immune signals for the early detection of ovarian cancer
Notice bibliographique
Résumé
Ovarian cancer is a critical health issue for women nowadays. Its impact is significant because of its high mortality rate (324,603 worldwide), late-stage diagnosis and poor survival rate. Lack of screening tests, vague symptoms, misdiagnosis, and age factor makes it even more difficult to detect. Neutrophils, a subset of immune cells, undergo tumor-specific changes as ovarian cancer progresses inside ovarian tumour microenvironment. Therefore, monitoring the time-specific activity of neutrophils in circulation has the potential to aid in the diagnosis of ovarian cancer. Most ovarian tumor-specific antigens are unknown, making it difficult to identify neutrophils associated with ovarian tumor. We present ovarian tumor-associated circulating neutrophil cell profiling as a stand-alone cancer diagnostic method using a liquid biopsy. Using a SERS-functionalized nano probe, the metabolic profiles of neutrophils from ovarian tumor interaction are detected. We demonstrate that neutrophils associated with cancer stem cells have a distinct metabolic profile and are useful in the diagnosis of early ovarian cancer. Using 5 μL of peripheral blood and an artificial neural network, the characteristics of neutrophil profiles in patient blood could distinguish cancer cohort from non-cancer (healthy) with a 90 % sensitivity and 100 % specificity. Our results demonstrate the viability of using circulating neutrophils for non-invasive cancer diagnostics.
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) | 0,000 | 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 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 ».