Ultrasound-enhanced fine-needle biopsy improves tissue yield in head and neck tumors ex vivo
Notice bibliographique
Résumé
Current needle biopsy techniques, i.e., fine-needle aspiration biopsy (FNAB) and core needle biopsy (CNB), are widely utilized in cancer diagnostics but have certain shortcomings. The limited yield of diagnostic cellular material and the low sensitivity to detect various types of malignancies are well-known problems with FNAB. In contrast, CNB provides a histological sample but is typically more labor-intensive to obtain. Ultrasound-enhanced FNAB (USeFNAB) represents a novel approach that utilizes an ultrasonically oscillating fine-needle tip to enhance tissue yield. This study aims to assess the feasibility of employing USeFNAB in head and neck tumors in an ex vivo setting. Parotid gland tumors (PGT; N = 10) and neck lymph nodes of patients with head and neck cancer (HNC; N = 10) were resected and biopsied using three techniques: USeFNAB, FNAB, and CNB which served as a comparative method. The samples obtained were weighed and the yield and quality of the tissue fragments were evaluated by pathologists. Immunohistochemical staining was performed to determine whether USeFNAB had any impact on the staining characteristics of the sample. The findings showed that USeFNAB, at a 0.5 W power level, produced a tissue sample (mass) that was 1.9 times higher in the PGT group, and 4.6 times higher in the HNC group compared to FNAB. The quality of the sample obtained via USeFNAB was comparable to that of FNAB. USeFNAB did not alter the immunohistochemical staining characteristics. Overall, USeFNAB appears to be a promising tool for improving the tissue yield of fine-needle biopsy and enhancing diagnostic accuracy.
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) | 0,001 | 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 ».