Abstract B14: Rapid RNA-based histotyping of ovarian carcinomas
Notice bibliographique
Résumé
Abstract Background: Ovarian cancer is a series of distinct diseases typically identified by their histopathological appearance as high-grade serous (HGSC; 70% of cases), low-grade serous (LGSC; 5%), endometrioid (ENOCa, 8%), clear cell (CCC, 12%), and mucinous (MC; 5%) carcinomas. Each type has defining molecular events, gene/protein expression patterns, genetic risk factors, sites of origin, and responses to treatment. Gold standard treatment is surgery followed by platinum-taxane chemotherapy despite mounting evidence suggesting CCCs, MCs, and LGSCs are largely platinum-taxane resistant. If outcomes are to be improved, it is critical to adopt a type specific strategy. Retrospective review studies have suggested histotype may be misdiagnosed or omitted in up to 30% of cases. However, pathological diagnosis of histotypes has been greatly refined in recent years and the use of biomarkers as aides is becoming more widespread. Nonetheless a rapid and fully objective classifier of histotypes will undoubtedly improve diagnostic accuracy, especially in the case of pre-surgical biopsies where small amounts of material present a challenge. Methods: Over 1000 ovarian carcinoma samples underwent expert gynecopathological review to establish a gold standard diagnosis for the 5 major carcinoma types. RNA was extracted from FFPE tissues and levels of a pre-selected set of >100 genes were quantified using the NanoString GX system. Cohort was split with ~1/3 set aside for independent validation. Several statistical models were tested to generate a prediction algorithm for histological type including PAM, Random Forest, Lasso, Recursive Partitioning, and Discriminant Analysis. Feature selection methods and prediction error were examined using cross-validation in the train /test series prior to validation in the independent set. Results: Preliminary analysis suggests classification of the 5 major histotypes is possible using NanoString derived RNA expression levels. Accuracy appears to be equivalent to interobserver variation amongst expert gynecopathologist. Conclusions: The NanoString GX platform provides a stable and reproducible platform on which a robust single sample histological type classifier can be established. Our algorithm combined with the NanoString platform provides a rapid, and cost-effective option that does not require modification to current pathology lab tissue processing protocols. Diagnostic prediction require little material and is applicable to pre- and post- surgical specimens where an objective measure is desired to confirm diagnosis or aide in especially challenging cases. Citation Format: Michael S. Anglesio, Aline Talhouk, Steve E. Kalloger, Gholamreza Haffari, Robertson Mackenzie, Martin Cheung, Janine Senz, Christine Chow, Sherman Lau, Maria Intermaggio, Susan J. Ramus, Andreas du Bois, Jacobus Pfisterer, Jessica N. McAlpine, Friedrich Kommoss, Blake Gilks, Stefan Kommoss, David G. Huntsman. Rapid RNA-based histotyping of ovarian carcinomas. [abstract]. In: Proceedings of the AACR Special Conference on Advances in Ovarian Cancer Research: From Concept to Clinic; Sep 18-21, 2013; Miami, FL. Philadelphia (PA): AACR; Clin Cancer Res 2013;19(19 Suppl):Abstract nr B14.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 0,003 |
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 ».