Application des Quantum Dots dans la cartographie du ganglion sentinelle axillaire
Bibliographic record
Abstract
Contexte : Le diagnostic de métastases ganglionnaires dans le cancer du sein est réalisé par la technique du ganglion sentinelle (GS), consistant à repérer et prélever le premier relais ganglionnaire axillaire potentiellement métastatique. Ce GS est repéré par injection d'un produit radioactif et d'un colorant bleu. Cependant, quelques inconvénients existent : risques allergiques et exposition à la radioactivité. De nouveaux marqueurs furent ainsi proposés, les Quantum Dots (QDs) qui sont des nanocristaux de semi-conducteurs fluorescents. Objectif : Le but de ce travail fut de déterminer la biodistribution des QDs in vivo. Méthode : L'étude de biodistribution fut réalisée sur souris nude avec des QDs commerciaux dotés d'un coating COOH et émettant dans le rouge (λém = 655 nm). Après injection sous-cutanée de 20 picomoles de QDs dans la patte antérieure droite de la souris, les QDs furent détectés in vivo dans le GS axillaire droit (GSAD) à différents temps (5, 15, 30, 60 minutes et 24 heures) par spectrofluorimétrie fibrée. La souris fut ensuite sacrifiée puis le GSAD et les autres organes furent prélevés. Des coupes congelées de ces organes furent réalisées et visualisées par microscopie de fluorescence. Ces mêmes organes furent ensuite digérés chimiquement pour mesurer la fluorescence et ainsi doser les QDs présents. Résultats : Après injection de 20 picomoles de QDs, ceux-ci furent détectés dans le GSAD à tous les temps et par les 3 techniques. Le maximum fut observé à 60 minutes et correspond à 2,4 % de la dose injectée. L'étude n'a pas montré d'accumulation des QDs dans d'autres organes, la circulation sanguine, l'urine et les fécès. Conclusion : L'utilisation de QDs a permis de localiser le GS sélectivement et rapidement. Cependant, l'emploi de QDs sans métaux lourds est nécessaire pour limiter tout risque de toxicité et l'utilisation du proche infra-rouge pour une application clinique.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".