Notice bibliographique
Résumé
Human cancers are still diagnosed and classified using the light microscope. The criteria are based upon morphologic observations by pathologists and tend to be subject to interobserver variation. In preoperative biopsies of non-small cell lung cancers, the diagnostic concordance, even amongst experienced pulmonary pathologists, is no better than a coin-toss. Only 25% of cancer patients, on average, benefit from therapy as most therapies do not account for individual factors that influence response or outcome. Unsuccessful first line therapy costs Canada CAN$1.2 billion for the top 14 cancer types, and this extrapolates to $90 billion globally. The availability of accurate drug selection for personalized therapy could better allocate these precious resources to the right therapies. This wasteful situation is beginning to change with the completion of the human genome sequencing project and with the increasing availability of targeted therapies. Both factors are giving rise to attempts to correlate tumor characteristics and response to specific adjuvant and neoadjuvant therapies. Static cancer classification and grading systems need to be replaced by functional classification systems that not only account for intra- and inter- tumor heterogeneity, but which also allow for the selection of the correct chemotherapeutic compounds for the individual patient. In this review, the examples of lung and breast cancer are used to illustrate the issues to be addressed in the coming years, as well as the emerging technologies that have great promise in enabling personalized therapy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».