Abstract S2-01: Theranostic multiparametric tests improve residual risk assessment in early luminal breast cancer
Notice bibliographique
Résumé
Abstract Background: Despite rapidly expanding availability of multiparametric tests which inform residual risk following adjuvant therapy for early breast cancer current approaches provide minimal information on the appropriate targeted therapy to be selected for patients at high risk of recurrence. We hypothesised that inclusion of key signalling nodes from driver molecular pathways in early breast cancer in residual risk signatures would both improve risk stratification and identify candidate theranostic targets for the next generation of clinical trials. Methods: RNA was extracted from FFPE luminal breast cancers from the TEAM pathology study (Exemestane versus Tamoxifen-Exemestane). Gene expression analyses were performed for 29 genes mapped across key signalling nodes within the PIK3CA pathway. mRNA assessment for IHC4 (ER, PgR, HER2 and Ki67) was included in the model. Quantitative gene expression was performed using the Nanostring platform. Novel signatures were trained in a randomly selected sub-set of the TEAM pathology cohort (n=˜1700) and validated using the remaining 50% of patients (n=˜1700). Results presented represent those from the validation cohort. Results: The IHC4-protein and IHC4-mRNA risk scores were highly correlated (Rho=0.72, p=4.12x10-265), suggesting the mRNA abundance-based classifier is able to serve as a good substitute for the protein-based model. A gene signature including IHC4 markers assessed by mRNA performed significantly better (AUC 0.70 vs 0.66) than conventional IHC4. A gene signature including 4 signalling modules from the PIK3CA pathway significantly outperformed both IHC4 and the 4 gene (ER, PgR, HER2, Ki67) classifier (AUC 0.75; p = 3.23x10-7 vs IHC4 and 1.39x10-3 vs "IHC4mRNA"). Conclusions: Inclusion of PIK3CA signalling modules identified key genes/nodes which are linked to early relapse in luminal breast cancer and provided a significantly improvement in risk classification when compared to a currently validated multiparameter test. Citation Format: John MS Bartlett, Vicky S Sabine, Syed Haider, Camilla Drake, Cheryl Crozier, Cindy Q Yao, Cassandra L Brookes, Cornelis JH van de Velde, Annette Hasenburg, Dirk G Kieback, Christos Markopoulos, Luc Y Dirix, Caroline Seynaeve, Daniel W Rea, Paul C Boutros. Theranostic multiparametric tests improve residual risk assessment in early luminal breast cancer [abstract]. In: Proceedings of the Thirty-Seventh Annual CTRC-AACR San Antonio Breast Cancer Symposium: 2014 Dec 9-13; San Antonio, TX. Philadelphia (PA): AACR; Cancer Res 2015;75(9 Suppl):Abstract nr S2-01.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».