Profilierung zirkulierender Tumorzellen mit Apparaturen und Materialien der nächsten Generation
Bibliographic record
Abstract
Abstract In den letzten zehn Jahren gab es wichtige Fortschritte bei der Erfassung seltener zirkulierender Tumorzellen (CTCs) aus dem Blut von Krebspatienten als eine entscheidende Voraussetzung für die nichtinvasive Tumorprofilierung. Diese Fortschritte haben zudem neue Einblicke in die Materialchemie und die Mikrofluidik erbracht und ermöglichten die Erfassung und Auszählung von CTCs mit beispielloser Empfindlichkeit. Allerdings wurde auch immer klarer, dass einfaches Isolieren und Auszählen von Tumorzellen, die in den Kreislauf gelangt waren, nicht die benötigten Informationen lieferte, um unser Verständnis der Biologie dieser seltenen Zellen zu vertiefen oder um sie sich in der Therapie besser zunutze zu machen. Mithilfe von Apparaturen und Materialien der nächsten Generation mit maßgeschneiderten physikalischen und chemischen Eigenschaften ist man inzwischen in der Lage, mehr Informationen aus CTCs zu gewinnen. In diesem Kurzaufsatz werden die Arbeiten der letzten zehn Jahre in diesem Gebiet diskutiert, wobei insbesondere die bahnbrechenden Studien der letzten fünf Jahre Berücksichtigung finden, die den Blick über das einfache Isolieren von CTCs hinaus auf Ansätze gerichtet haben, die eine tiefergehende Analyse ermöglichen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".