Liver allograft pathology: approach to interpretation of needle biopsies with clinicopathological correlation
Notice bibliographique
Résumé
The spectrum of diseases encountered in post-transplant liver pathology biopsies is broad. In this review, these have been divided as belonging to one of three categories: (1) new-onset/de novo post-transplant abnormalities (early and late), (2) rejection, and (3) recurrence of original disease. The clinical and pathological features of the entities making up each category, with the relevant differential diagnosis and overlaps between and within these groups, are discussed and illustrated. Recurrent or de novo neoplasms make up a fourth category not included in this review. Early new-onset conditions are mostly related to surgical complications, donor factors and ischaemia to the graft. These include reperfusion/preservation injury, lipopeliosis, small-for-size-syndrome, biliary sludge syndrome and hepatic artery thrombosis. The various forms of rejection (cellular, chronic, antibody-mediated, and late atypical rejection) are detailed. Most chronic liver diseases can and do recur in the graft. They may display features that overlap with de novo conditions (eg, primary sclerosing cholangitis versus chronic rejection). As with most cases of allograft biopsy interpretation, accurate diagnosis rests with careful correlation of histological features with clinical, imaging and laboratory findings, and often comparison with previous sequential and follow-up biopsies. Late-onset new diseases include biliary strictures, idiopathic chronic hepatitis and de novo autoimmune hepatitis, among others. This review provides a practical approach to the interpretation of these challenging biopsies. Selected difficult scenarios or conundrums are identified and discussed in the relevant sections.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,002 |
| 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 ».