MétaCan
Menu
Retour à la cohorte
Enregistrement W883927934 · doi:10.1016/j.biomaterials.2015.07.010

A multimodal nano agent for image-guided cancer surgery

2015· article· en· W883927934 sur OpenAlexafffund
Jinzi Zheng, Nidal Muhanna, Raquel De Souza, Hironobu Wada, Harley Chan, Margarete K. Akens, Takashi Anayama, Kazuhiro Yasufuku, Stefano Serra, Jonathan C. Irish, Christine Allen, David A. Jaffray

Notice bibliographique

RevueBiomaterials · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueMedical Imaging Techniques and Applications
Établissements canadiensToronto Rehabilitation InstituteUniversity of TorontoUniversity Health NetworkToronto General HospitalPrincess Margaret Cancer CentreOntario Institute for Cancer Research
Organismes subventionnairesPrincess Margaret Cancer FoundationUniversity Health Network
Mots-clésHounsfield scaleCancer surgeryImage-guided surgeryComputed tomographyModality (human–computer interaction)RadiologyVisualizationMedical imagingMedicineImaging agentMargin (machine learning)TomographyBiomedical engineeringCancerComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Intraoperative imaging technologies including computed tomography and fluorescence optical imaging are becoming routine tools in the cancer surgery operating room. They constitute an enabling platform for high performance surgical resections that assure local control while minimizing morbidity. New contrast agents that can increase the sensitivity and visualization power of existing intraoperative imaging techniques will further enhance their clinical benefit. We report here the development, detection and visualization of a dual-modality computed tomography and near-infrared fluorescence nano liposomal agent (CF800) in multiple preclinical animal models of cancer. We describe the successful application of this agent for combined preoperative computed tomography based three-dimensional surgical planning and intraoperative target mapping (>200 Hounsfield Units enhancement), as well as near-infrared fluorescence guided resection (>5-fold tumor-to-background ratio). These results strongly support the clinical advancement of this agent for image-guided surgery with potential to improve lesion localization, margin delineation and metastatic lymph node detection.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,298

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,139
Tête enseignante GPT0,407
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiomaterialsMême sujetMedical Imaging Techniques and ApplicationsTravaux en français237 207