Recent advances in PET/MR imaging for head and neck tumors: a systematic review of the last three years
Notice bibliographique
Résumé
PURPOSE: This systematic review addresses the clinical relevance of PET/MR in patients with head and neck (HN) tumors, highlighting studies conducted over the last three years to provide an updated perspective on integrating a hybrid PET/MR scan into different clinical scenarios. METHODS: We employed a search algorithm, combining terms ("PET/MR" OR ("PET" AND ("MR" OR "MRI")) OR "PET/MRI" OR "PET-MR" OR "PET-MRI" OR ("PET" AND "magnetic")) AND ("head" AND "neck"). Studies written in English and published throughout 2021, 2022 and 2023 up to November 15th were considered if were focused on: suspected HN tumors; confirmed HN tumors before surgery/radiotherapy/chemotherapy; HN tumor recurrence or therapy response assessment. Reviews, editorials or letters, case report/series or any other original unrelated studies to the topics were excluded. RESULTS: Twenty out of 169 studies were deemed eligible. The HN tumor cohorts included sinonasal tumors, nasopharyngeal carcinoma and tumors in the oropharynx, oral cavity, hypopharynx and larynx, mostly of squamous cell carcinoma histology. Sixteen out of 20 articles focused on initial staging, including prognostic information before primary treatment, whereas 4/20 articles explored the clinical significance of PET/MR in restaging settings or other clinical purposes. CONCLUSION: This review consolidates previous findings by showing the relationship between morphology, metabolism, cellularity, and perfusion in HN tumors. Metrics provided by PET/MR are able to predict the histologic grade of HN tumors, EGFR status and patient outcome. PET/MR demonstrates high diagnostic performance for detecting locoregional tumor recurrence, distant metastases and second primary cancers.
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 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».