The Society for Immunotherapy of Cancer Perspective on Liquid Biopsy– and Radiomics-Based Technologies for Immuno-oncology Biomarker Discovery and Application
Notice bibliographique
Résumé
Immuno-oncology is increasingly becoming the standard of care for cancers, with the identification of biomarkers that reliably classify immune checkpoint inhibitor response, resistance, and toxicity becoming the next frontier toward improvements in immunomodulatory treatment regimens. Recent advances in multiparametric, multiomics, and computational data platforms generating an unprecedented depth of data may assist in the discovery of increasingly robust biomarkers for enhanced patient selection and more personalized or longitudinal treatment approaches. Which emerging technologies to implement in future research and clinical settings, used alone or in combination, relies on weighing the pros and cons that aid in maximizing data outputs while minimizing patient sampling, with high reproducibility and representativeness, and minimal turnaround time and data fragmentation toward later private and public dataset harmonization strategies. The Society for Immunotherapy of Cancer Biomarkers Committee convened to identify important advances in biomarker technologies and highlight advances in biomarker discovery using liquid biopsy and in vivo imaging technologies. We address advances in liquid biopsy technologies monitoring cells, proteins, nucleic acids, antibodies, and drugs or analytes and radiomics technologies monitoring whole host-level imaging methods, including immuno-PET and MRI technologies, which are able to couple biomarkers with physical location. We include a summary of key metrics obtained by these technologies and their ease of interpretation, limitations and dependencies, technical improvements, and outward comparisons. By highlighting some of the most interesting recent examples contributed by these technologies and providing examples of improved outputs, we hope to guide correlative research directions and assist in their becoming clinically useful in immuno-oncology.
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 | 0,020 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,015 | 0,033 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,008 |
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 ».