MétaCan
Menu
Retour à la cohorte
Enregistrement W4408687528 · doi:10.1117/12.3057459

An experimental model for the photon depth statistics of re-emitted near-infrared light (Conference Presentation)

2025· article· en· W4408687528 sur OpenAlexaff
Arshdeep Khurana, Alireza Khodavandi, Babak Shadgan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Optical Sensing Technologies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPresentation (obstetrics)InfraredPhotonPhoton statisticsPhoton countingNear-infrared spectroscopyOpticsPhysicsStatisticsRemote sensingGeologyMathematics

Résumé

récupéré en direct d'OpenAlex

There is growing research on renal applications of near-infrared spectroscopy (NIRS), a non-invasive optical technique that measures tissue oxygen saturation. NIRS data can be more illuminating if clinicians know which anatomical structures it probes, but there is a lack of experimental data on the maximum and average photon depth of penetration in kidney tissue. Literature suggests that these parameters depend on the interoptode distance (IOD) between the light source and detector. To test these models, we made incremental cuts into a porcine renal sample secured on a NIRS sensor. We placed an opaque blade in the cut and graphed the attenuation of the optical signal. The maximum and average penetration depth was computed for 6 IODs between 16-40 mm. The maximum and the square root of the average depth of penetration had a linear relationship with the IOD, with an approximate slope of 0.25 and 0.02, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,838
Score d'incertitude au seuil0,250

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,332
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Optical Sensing TechnologiesTravaux en français237 207