Optimal Immunohistochemical Markers For Distinguishing Lung Adenocarcinomas From Squamous Cell Carcinomas in Small Tumor Samples
Notice bibliographique
Résumé
The histologic subtype of non-small cell lung carcinoma is important in selecting appropriate chemotherapy for patients with advanced disease. As many of these patients are not operative candidates, they are treated medically after biopsy for diagnosis. Inherent limitations of small biopsy samples can make distinguishing poorly differentiated lung adenocarcinoma (ADC) from squamous cell carcinoma (SCC) difficult. The value of histochemical and immunohistochemical markers to help separate poorly differentiated ADC from SCC in resection specimens is well established; however, the optimal use of markers in small tissue samples has only recently been examined and the correlation of marker expression in small tissue samples with histologic subtype determined on resection specimens has not been well documented. We address this issue by examining the expression of 9 markers (p63, TTF1, CK5/6, CK7, 34βE12, Napsin A, mucicarmine, NTRK1, and NTRK2) on 200 cases of ADC and 225 cases of SCC in tissue microarray format to mimic small tissue specimens. The single best marker to separate ADC from SCC is p63 (for SCC: sensitivity 84%, specificity 85%). Logistic regression analysis identifies p63, TTF1, CK5/6, CK7, Napsin A, and mucicarmine as the optimal panel to separate ADC from SCC. Reduction of the panel to p63, TTF1, CK5/6, and CK7 is marginally less effective but may be the best compromise when tissue is limited. We present an algorithm for the stepwise application of p63, TTF1, CK5/6, CK7, Napsin A, and mucicarmine in situations in which separation of ADC from SCC in small specimens cannot be accomplished by morphology alone.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».