Abstract P2-09-01: Preliminary Findings from the Breast Cancer Combined Visualization And Characterization Tools (bCOMBAT): Low-Dose PEM and Liquid Biopsy Study
Notice bibliographique
Résumé
Abstract Purpose: This study evaluates the effectiveness of low-dose Positron Emission Mammography (PEM) and liquid biopsy in detecting and characterizing breast abnormalities in high-risk patients. Materials and Methods: Approved by the research ethics board, this prospective study involves high-risk women from the Ontario Breast Screening Program (OBSP) at the University Health Network (UHN). Participants scheduled for MRI-guided biopsy of suspicious lesions detected by standard MRI are subjected to low-dose PEM using 74 MBq of fluorine 18-labeled fluorodeoxyglucose (18F-FDG) and liquid biopsy for plasma analysis. Preliminary Findings: Among the first high-risk 24 patients analyzed (median age 41; range 33–66) from a planned cohort of 100, four had biopsy-confirmed cancer, including two cases of ductal carcinoma in-situ (DCIS) and two of invasive cancer. Of these, low-dose PEM imaging identified three malignancies and missed one DCIS, with no false positives reported. Liquid biopsy, measuring tumor content and performing fragmentomic analysis on cell-free DNA, did not detect any cancers. Further analysis using cell-free methylated DNA immunoprecipitation and high throughput sequencing (cfMeDIP) is pending. Conclusion: Early results indicate that low-dose PEM is more sensitive than liquid biopsy for detecting breast cancer in high-risk populations and maintains high specificity relative to MRI. Citation Format: Vivianne Freitas, Oleksandr Bubon, Samira Taeb, Frederick Au, Supriya Kulkarni, Sandeep Ghai, Shayna Parker, Michael Waterston, Alla Reznik. Preliminary Findings from the Breast Cancer Combined Visualization And Characterization Tools (bCOMBAT): Low-Dose PEM and Liquid Biopsy Study [abstract]. In: Proceedings of the San Antonio Breast Cancer Symposium 2024; 2024 Dec 10-13; San Antonio, TX. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(12 Suppl):Abstract nr P2-09-01.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».