Abstract 5932: Molecular determinants of 10-second diagnosis of brain cancer types with laser mass spectrometry
Notice bibliographique
Résumé
Abstract Surveys of neurosurgical outcome data have suggested suitable extents (aggressiveness) of resection to improve survival for many brain cancer types. Here, personalization of the extent of resection relies on highly subjective intraoperative diagnoses wherein the depth of the diagnostic information depends on the level of experience of the pathologist. Picosecond InfraRed Laser Mass Spectrometry (PIRL-MS) uses picosecond bursts of mid- infrared laser radiation to extract, in a non-thermal manner, tissue lipids (1) present in cellular membranes, giving cells and nuclei their unique shapes (utilized in morphometric pathology with staining & microscopy) and (2) altered in tumorigenesis due to cross-talk with cellular signalling in metabolism (potentially also revealing cancer molecular subtypes in 10 seconds as shown) for real-time profiling of molecular content unique to each tumour type. In our laboratory, close to 1, 300 frozen brain cancer specimens over 30 different classes of adult and pediatric cancers are being subjected PIRL-MS to build a comprehensive molecular signature library using various supervised and unsupervised dimensionality reduction and data analysis methods. The sensitivity and specificity of the integrated morphometric and molecular diagnosis for pediatric brain cancers with 10-second PIRL-MS was > 96%. This classification could use as little as only 18 tissue lipids whose identities were determined using chromatography and tandem mass spectrometry. Greater than 90% sensitivity and specificity have been obtained for adult brain cancer classifications with 10-second PIRL-MS analysis utilizing 40 lipids spanning fatty acids, phospholipids and ceramides. PIRL-MS can provide non-subjective differentiation between various brain cancer types with as little as 10 seconds of sampling and analysis time. Citation Format: Alexa Fiorante, Michael Woolman, David Munoz, Lan Anna Ye, Taira Kiyota, Sunit Das, Ahmed Aman, Howard Ginsberg, Gelareh Zadeh, Arash Zarrine-Afsar. Molecular determinants of 10-second diagnosis of brain cancer types with laser mass spectrometry [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2025; Part 1 (Regular Abstracts); 2025 Apr 25-30; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2025;85(8_Suppl_1):Abstract nr 5932.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».