Intraoperative use of high-speed Raman spectroscopy during soft tissue sarcoma resection
Notice bibliographique
Résumé
Retroperitoneal soft tissue sarcoma (RSTS) is a rare type of cancer with limited treatment options. Achieving complete resection with negative margins is one of the most significant prognostic factors for RSTS survival. The UltraProbe is a handheld point probe Raman spectroscopy system that significantly decreases the imaging time compared to the probe systems currently used. This study aims to determine the performance of the UltraProbe in detecting STS in an in vivo environment during their resection. Thirty patients were recruited at Maisonneuve-Rosemont Hospital, Montreal, Canada. Raman spectra were acquired during STS resection using the instrument. A machine learning random forest classification algorithm was developed to predict the diagnosis associated with new Raman spectra: STS or healthy tissue. The classification of Raman spectra as well-differentiated liposarcomas or normal adipose tissue was performed with a sensitivity of 94%, specificity of 95%, and accuracy of 94%. The classification of spectra as well-differentiated and dedifferentiated liposarcomas or normal adipose tissue was performed with a sensitivity of 90%, specificity of 93%, and accuracy of 90%. The classification of spectra as non-liposarcoma STS or protein-rich non-adipose tissue was performed with a sensitivity of 87%, specificity of 81%, and accuracy of 87%.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».