Benign serous ovarian tumour: a redefining moment?
Notice bibliographique
Résumé
While the paradigm that malignancies arise through a stepwise progression from benign precursors has been established for many malignancies, it remains unclear if this holds true for ovarian cancer. Serous ovarian carcinomas are the predominant clinically important subtype and it has been widely believed that some or all of these arise from precursors derived from the ovarian surface epithelium, such as inclusion cysts or serous benign and borderline tumours. Despite the co-occurrence of benign, borderline and low grade carcinoma epithelial components, direct molecular evidence for the benign lesions as precursors is limited. This study aimed to perform high resolution copy number analysis using a series of benign serous ovarian tumours to identify any underlying genomic changes indicative of early events in tumourigenesis, which could assist in determining if these lesions represent precursors to some invasive serous ovarian carcinomas. This is the first ultra-high resolution copy number analysis of benign serous tumours of the ovary. High resolution copy number analysis was performed on tumour epithelial and fibroblast DNA using the Affymetrix OncoScan and SNP6.0 array platforms. Copy number aberrations (CNAs) were detected in the epithelium of only 5.6% (2/35) of serous cystadenomas and cystadenofibromas. Unexpectedly, CNAs were detected in the tumour fibroblasts in 36% (14/39) of cases, including gain of chromosome 12 in 10 cases. No KRAS or BRAF mutations were detectable in either component of the benign serous tumours. Chromosome 12 trisomy has been previously identified in pure fibromas, supporting the concept that a significant proportion of benign serous tumours are in fact primary fibromas with an associated cystic mass. This study therefore provides a novel perspective on the development of these tumours.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».