Classifying B‐cell non‐Hodgkin lymphoma by using MIB‐1 proliferative index in fine‐needle aspirates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: MIB-1 proliferation index (PI) has proven helpful for diagnosis and prognosis in non-Hodgkin lymphomas (NHLs). However, validated cutoff values for use in fine-needle aspiration (FNA) samples are not available. We investigated MIB-1 immunocytochemistry as an ancillary technique for stratifying NHL and attempted to establish PI cutpoints in cytologic samples. METHODS: B-cell NHL FNA cases with available cytospins (CS) MIB-1 immunocytochemistry results were included. Demographic, molecular, immunophenotyping and MIB-1 PI data were collected from cytologic reports. Cases were subtyped according to the current World Health Organization classification and separated into indolent, aggressive, and highly aggressive groups. Statistical analysis was performed with pairwise Wilcoxon rank sum test and linear discriminant analysis to suggest appropriate PI cutpoints. RESULTS: Ninety-one NHL cases were subdivided in 56 (61.5%) indolent, 30 (33%) aggressive, and 5 (5.5%) highly aggressive lymphomas. The 3 groups had significantly different MIB-1 PIs from each other. Cutpoints were established for separating indolent (<38%), aggressive (> or =38% to < or =80.1%) and highly aggressive (>80.1%). The groups were adequately predicted in 76 cases (83.5%) using the cutpoints and 15 cases showed discrepant PIs. CONCLUSIONS: MIB-1 immunohistochemistry on CS can help to stratify B-cell NHL and showed a significant increase in PI with tumor aggressiveness. Six misclassified cases had PIs close to the cutpoints. Discrepant MIB-1 PIs were related to dilution of positive cells by non-neoplastic lymphocytes and to the overlapping continuum of features between diffuse large B-cell lymphoma and Burkitt lymphoma. Validation of our approach in an unrelated, prospective dataset is required.
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.
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 | 0,000 |
| 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 découle