Picosecond InfraRed Laser-Mass Spectrometry for Rapid Detection of Skin Cancers
Notice bibliographique
Résumé
Skin cancer is the most common cancer known to humans, worldwide. Current detection and treatment of skin cancers remains challenging and time-consuming, as detection relies on stepwise protocols involving visual inspection, optical inspection by a device known as a dermoscopy, and subsequent excision or punch biopsy for histopathological analysis. Furthermore, cutaneous melanoma (melanoma of the skin) can visually mimic other cutaneous lesions, leading to some degree of difficulty in classification of melanoma subtypes, necessitating a large number of biopsies to be taken. Various studies have indicated 24 out of every 25 biopsies performed for a suspected melanoma are confirmed to be benign post-biopsy, leading to a large amount of unnecessary biopsies. There thus exists a need for development of novel detection technologies for more rapid, less subjective, yet highly specific characterization of skin cancers at the pre-biopsy stage.Mass spectrometry (MS) is an analytical technique becoming increasingly important in clinical research. MS allows for tissue identification and disease site categorization based on molecular characterization of tissues. Through addition of an ambient ionization laser source known as a Picosecond InfraRed Laser (PIRL), rapid and accurate classifications of skin cancers may be realized. Throughout the research presented in this thesis on banked ex vivo human skin cancers as well as in murine models, once a mass spectrometry molecular signature model has been built from a library of known samples, PIRL-MS may be used to diagnose unknown skin cancers rapidly, within just 5-10 seconds of sampling and analysis time with high sensitivity and specificity. In this thesis, I apply PIRL-MS to skin cancers to enable for rapid, sensitive and specific detection of skin cancers prior to the biopsy stage.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».