Magnetic Particle Imaging Lymphography (MPIL): A novel technique for lymph node mapping
Notice bibliographique
Résumé
Abstract During metastasis, tumour cells drain to nearby lymph nodes, the first of which are named the sentinel lymph node(s) (SLN). SLN biopsy (SLNB) determines if metastasis has occurred. Traditionally, SLNB involves injecting a Technetium-labeled tracer peritumourally, pre-operative imaging with SPECT to locate the SLN, and surgery guided by a gamma probe to remove them. Limitations include short tracer half-life which can make scheduling the SLNB difficult, and radiation dose to patients and healthcare workers. Alternatively, magnetic localization, with superparamagnetic iron oxide nanoparticles (SPIONs) as the tracer and a magnetometer to detect SPIONs in the SLN during surgery can be used, however, this lacks pre-operative imaging. Magnetic Particle Imaging (MPI) is a new imaging modality that directly detects SPIONs, holding potential for pre-operative imaging in magnetic SLNB. SPIONs for SLNB should have rapid drainage, high SLN accumulation, and high specificity to the SLN. For MPI Lymphography (MPIL), high particle sensitivity is also important. This study assesses the in vivo pharmacokinetics for SLN mapping with MPIL in a murine model, using five commercially available SPIONs of varying iron core sizes and surface coatings. We show that some SPIONs provide higher MPI signal at the SLN and show the potential to detect higher echelon nodes (HENs). PEGylation of SPIONs and mannose targeted SPIONs increase clearance from the injection site and the mannose targeted SPION reduces flow to HENs.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».