Ecografia ad altissima risoluzione: applicazioni cliniche
Bibliographic record
Abstract
Le metodiche di imaging comunemente disponibili, come la tomografia computerizzata, la risonanza magnetica e l’ecografia con sonde convenzionali hanno il limite di fornire immagini con risoluzione nell’ordine dei millimetri; per questo motivo la ricerca si è orientata verso lo sviluppo di strumenti ecografici con risoluzioni microscopiche. Si parla di “ultrasound biomicroscopy” (UBM), di “high frequency ultrasound” (HFUS) e di “ultra high frequency ultrasound” (UHFUS), quando le frequenze impiegate vanno dai 30 ai 100 MHz. Con queste tecnologie è possibile correlare le informazioni derivanti dall’immagine ultrasonografica con quelle provenienti dall’ istologia. Nel 2016 VisualSonics (Toronto, Canada) del gruppo FUJIFILM ha reso disponibile Vevo® MD, il primo sistema di imaging a ultrasuoni ad altissima frequenza (fino a 70 MHz) per uso clinico. Il sistema è stato acquisito dal Dipartimento di Ricerca Traslazionale e delle Nuove Tecnologie in Medicina e Chirurgia, grazie al “Bando Grandi Attrezzature 2016” ed è in grado di visualizzare ad alta risoluzione quelle strutture anatomiche di piccole dimensioni che con le frequenze convenzionali (fino a 15 MHz) non è possibile apprezzare. Questa tesi affronta le prime applicazioni cliniche degli UHFUS, confrontando le relative acquisizioni con quelle dell’ecografia convenzionale. In particolare, Vevo MD è stato utilizzato nello studio delle patologie vascolari (caratterizzazione di pazienti affetti da vasculiti sistemiche e da displasia fibromuscolare) e dermatologiche (neoplasie melanocitarie, neoplasie epiteliali, neoplasie annessiali e neoplasie vascolari, malattie infiammatorie croniche, malattie autoimmuni, onicopatie). Un’ulteriore applicazione è stata quella di caratterizzare ex vivo alcuni organi parenchimatosi, per un possibile impiego intraoperatorio dello strumento.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".