Bibliographic record
Abstract
La prise en charge thérapeutique des tumeurs rénales a considérablement évolué ces dernières années avec l’avènement de traitements mini-invasifs (comme la radiofréquence percutanée) qui optimisent l’épargne néphronique, améliore le confort du patient avec une efficacité oncologique comparable aux traitements chirurgicaux de référence. La prochaine étape serait de proposer des traitements transcutanés aussi performants avec une morbi-mortalité optimisée. L’objectif des travaux réalisés au LIIE du CERIMED (AMU) et au CRCHUM (Université de Montréal) était de développer une alternative à la radiofréquence rénale percutanée que nous utilisons en pratique clinique à Marseille depuis plus de 10 ans et qui a fait ses preuves. Cette alternative doit permettre de traiter des masses rénales avec un niveau d’efficacité et un taux de complications au minimum identique à la RFA, par application transcutanée d’agents physiques sans abord percutané (projet KiTT). Cela passe par la mise au point d’une technique de détection en temps réel de la masse rénale. Nous avons pu développer un algorithme de repérage fiable qui doit encore être optimisé (rapidité de calcul) et être validé sur un modèle qui n’est pas encore disponible. Les travaux d’optimisation et de validation des algorithmes de segmentation, de fonction de mérite de corrélation croisée associée à la fonction d’optimisation Simplex, sont en cours dans le cadre d’une collaboration internationale franco-canadienne au LIIE et au LIO. Même si nous n’avons pas encore la possibilité de proposer ce type de traitement, nos travaux permettent de s’en approcher pour pouvoir les proposer dans les prochaines années.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.104 | 0.053 |
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".