Oncogene-driven lung cancer in the era of radiogenomics: current evidence and future developments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Radiogenomics integrates imaging and genomic data to further refine precision oncology and is of particular interest in oncogene-driven lung cancer. By linking radiologic features with molecular alterations, radiogenomics aims to enable non-invasive tumor characterization, improve diagnostics, treatment planning, and disease monitoring. In oncogene-driven lung cancer, next-generation sequencing (NGS) has uncovered actionable oncogenes such as EGFR, KRAS, ALK, BRAF, MET, HER2, and fusions in ROS1, and NTRK, which have revolutionized the management and outcomes of patients with these alterations. Radiogenomics has the potential to overcome several challenges in the clinic, such as repeat tissue biopsies, which are invasive and may be inadequate due to inherent tumor heterogeneity, by leveraging imaging biomarkers from CT, PET, and MRI to infer genomic profiles. In this review, we discuss the many recent advances in the burgeoning field of radiogenomics. We discuss how specific radiological features in oncogene-driven NSCLC, are starting to aid in mutation prediction and personalized treatment selection, and explore how radiogenomics may enhance treatment response prediction and refine prognostic models beyond traditional staging. Finally, we explore some of the challenges in its clinical implementation, including standardization of imaging protocols, data harmonization, and some of the ethical considerations regarding patient privacy and finally, we evaluate current evidence beyond lung cancer.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 découle