Novel Multiple Markers to Distinguish Melanoma from Dysplastic Nevi
Notice bibliographique
Résumé
BACKGROUND: Distinguishing melanoma from dysplastic nevi can be challenging. OBJECTIVE: To assess which putative molecular biomarkers can be optimally combined to aid in the clinical diagnosis of melanoma from dysplastic nevi. METHODS: Immunohistochemical expressions of 12 promising biomarkers (pAkt, Bim, BRG1, BRMS1, CTHRC1, Cul1, ING4, MCL1, NQO1, SKP2, SNF5 and SOX4) were studied in 122 melanomas and 33 dysplastic nevi on tissue microarrays. The expression difference between melanoma and dysplastic nevi was performed by univariate and multiple logistic regression analysis, diagnostic accuracy of single marker and optimal combinations were performed by receiver operating characteristic (ROC) curve and artificial neural network (ANN) analysis. Classification and regression tree (CART) was used to examine markers simultaneous optimizing the accuracy of melanoma. Ten-fold cross-validation was analyzed for estimating generalization error for classification. RESULTS: Four (Bim, BRG1, Cul1 and ING4) of 12 markers were significantly differentially expressed in melanoma compared with dysplastic nevi by both univariate and multiple logistic regression analysis (p < 0.01). These four combined markers achieved 94.3% sensitivity, 81.8% specificity and attained 84.3% area under the ROC curve (AUC) and the ANN classified accuracy with training of 83.2% and testing of 81.2% for distinguishing melanoma from dysplastic nevi. The classification trees identified ING4, Cul1 and BRG1 were the most important classification parameters in ranking top-performing biomarkers with cross-validation error of 0.03. CONCLUSIONS: The multiple biomarkers ING4, Cul1, BRG1 and Bim described here can aid in the discrimination of melanoma from dysplastic nevi and provide a new insight to help clinicians recognize melanoma.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».