Classification of malignant pediatric renal tumors by gene expression
Notice bibliographique
Résumé
BACKGROUND: The most common malignant renal tumors of childhood are Wilms tumor (WT), clear cell sarcoma of the kidney (CCSK), cellular mesoblastic nephroma (CMN), and rhabdoid tumor of the kidney (RTK). Because these tumors present significant diagnostic difficulties, the goal was to define diagnostically useful signatures based on gene expression. PROCEDURES: Gene expression analysis using oligonucleotide arrays was performed on a training set of 47 tumors (10 CCSKs, 9 CMNs, 8 RTKs, and 20 WTs). Classifiers were developed for each tumor type using variations of compound covariate class predictor. The classifiers were applied to an independent test set of 72 tumors (3 CMN, 7 CCSK, 4 RTK, and 58 WT). Central review diagnosis was utilized as the gold standard. Correlation with the institutional diagnosis and qualitative estimation of confidence levels at the time of central review were noted. RESULTS: Within the training set, classifiers resulted in no errors when >10 genes were utilized. Top genes in each classifier were verified using quantitative reverse transcription-polymerase chain reaction (RT-PCR). Applying the classifiers to the test set, 71 of 72 tumors were correctly classified with a confidence level of >99%. The exception was incorrectly classified by the gold standard. In comparison, by histopathology 31% of the non-WT were not accurately classified by the local institution, and 29% were classified with <95% confidence on central review. CONCLUSIONS: Classifiers based on gene expression provide diagnostic confidence and accuracy greater than that of pathologic analysis alone. Tumors that show ambiguous gene expression profiles are those that are also pathologically and molecularly ambiguous and merit further analysis.
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) | 0,000 | 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) | 0,000 | 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 ».