Validation of an Algorithm for the Diagnosis of Serous Tubal Intraepithelial Carcinoma
Notice bibliographique
Résumé
It has been reported that the diagnosis of serous tubal intraepithelial carcinoma (STIC) is not optimally reproducible on the basis of only histologic assessment. Recently, we reported that the use of a diagnostic algorithm that combines histologic features and coordinate immunohistochemical expression of p53 and Ki-67 substantially improves reproducibility of the diagnosis. The goal of the current study was to validate this algorithm by testing a group of 6 gynecologic pathologists who had not participated in the development of the algorithm (3 faculty and 3 fellows) but who were trained in its use by referring to a website designed for the purpose. They then reviewed a set of microscopic slides, which contained 41 mucosal lesions of the fallopian tube. Overall consensus (≥4 of 6 pathologists) for the 4 categories of STIC, serous tubal intraepithelial lesion (our atypical intermediate category), p53 signature, and normal/reactive was achieved in 76% of the lesions, with no consensus in 24%. Combining diagnoses into 2 categories (STIC versus non-STIC) resulted in an overall consensus of 93% and no consensus in 7%. The κ value for STIC versus non-STIC among all 6 observers was also high at 0.67 and did not significantly differ, whether for faculty (κ=0.66) or fellows (κ=0.60). These findings confirm the reproducibility of this algorithm by a group of gynecologic pathologists who were trained on a website for that purpose. Accordingly, we recommend its use in research studies. Before applying it to routine clinical practice, the algorithm should be evaluated by general surgical pathologists in a community setting.
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 | 0,001 | 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 ».