Automated Quantitative Analysis of p53, Cyclin D1, Ki67 and pERK Expression in Breast Carcinoma Does Not Differ from Expert Pathologist Scoring and Correlates with Clinico-Pathological Characteristics
Notice bibliographique
Résumé
There is critical need for improved biomarker assessment platforms which integrate traditional pathological parameters (TNM stage, grade and ER/PR/HER2 status) with molecular profiling, to better define prognostic subgroups or systemic treatment response. One roadblock is the lack of semi-quantitative methods which reliably measure biomarker expression. Our study assesses reliability of automated immunohistochemistry (IHC) scoring compared to manual scoring of five selected biomarkers in a tissue microarray (TMA) of 63 human breast cancer cases, and correlates these markers with clinico-pathological data. TMA slides were scanned into an Ariol Imaging System, and histologic (H) scores (% positive tumor area x staining intensity 0-3) were calculated using trained algorithms. H scores for all five biomarkers concurred with pathologists' scores, based on Pearson correlation coefficients (0.80-0.90) for continuous data and Kappa statistics (0.55-0.92) for positive vs. negative stain. Using continuous data, significant association of pERK expression with absence of LVI (p = 0.005) and lymph node negativity (p = 0.002) was observed. p53 over-expression, characteristic of dysfunctional p53 in cancer, and Ki67 were associated with high grade (p = 0.032 and 0.0007, respectively). Cyclin D1 correlated inversely with ER/PR/HER2-ve (triple negative) tumors (p = 0.0002). Thus automated quantitation of immunostaining concurs with pathologists' scoring, and provides meaningful associations with clinico-pathological data.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».