Molecular analyses of 6 different types of uterine smooth muscle tumors: Emphasis in atypical leiomyoma
Notice bibliographique
Résumé
BACKGROUND: Uterine smooth muscle tumors (USMTs) constitute a group of histologic, genetic, and clinical heterogeneous tumors that include at least 6 major histologically defined tumor types: leiomyoma (ULM), mitotically active leiomyoma (MALM), cellular leiomyoma (CLM), atypical leiomyoma (ALM), uncertain malignant potential (STUMP), and leiomyosarcoma (LMS). Apart from ULM and LMS, the nature of these variants is not well defined. METHODS: A total of 167 cases of different USMT variants were collected, reviewed, and diagnostically confirmed based on the World Health Organization and Stanford schemes. These included 38 cases of LMS, 18 cases of STUMP, 42 cases of ALM, 22 cases of CLM, 7 cases of MALM, and 40 cases of ULM. Molecular analysis included selected microRNAs (miRNAs), oncogenes, and tumor suppressors that are highly relevant to USMT. RESULTS: Overall, 49% (17/35) of LMS cases and 7% (1/14) of STUMP cases died due to their USMT, but no deaths were attributed to ALM. miRNA profiling revealed that ALM and LMS shared similar miRNA signatures. P53 mutations and PTEN deletions were significantly higher in LMS, ALM, and STUMP compared with other USMT variants (P < .01). In contrast, MED12 mutations were extremely common in ULM and MALM (> 74%) but were significantly less common (< 15%) in CLM, ALM, STUMP, and LMS (P < .01). CONCLUSION: Six types of USMT have different gene mutation fingerprints. ALM shares many molecular alterations with LMS. Our findings suggest that ALM may be a precursor lesion of LMS or have similar genetic changes during its early stage.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».