Predicting Relapse in Favorable Histology Wilms Tumor Using Gene Expression Analysis: A Report from the Renal Tumor Committee of the Children's Oncology Group
Notice bibliographique
Résumé
PURPOSE: The past two decades has seen significant improvement in the overall survival of patients with favorable histology Wilms tumor (FHWT); however, this progress has reached a plateau. Further improvements may rely on the ability to better stratify patients by risk of relapse. This study determines the feasibility and potential clinical utility of classifiers of relapse based on global gene expression analysis. EXPERIMENTAL DESIGN: Two hundred fifty FHWT of all stages enriched for relapses treated on National Wilms Tumor Study-5 passed quality variables and were suitable for analysis using oligonucleotide arrays. Relapse risk stratification used support vector machine; 2- and 10-fold cross-validations were applied. RESULTS: The number of genes associated with relapse was less than that predicted by chance alone for 106 patients (32 relapses) with stages I and II FHWT treated with chemotherapy, and no further analyses were done. This number was greater than expected by chance for 76 local stage III patients. Cross-validation including an additional 68 local stage III patients (total 144 patients, 53 relapses) showed that classifiers for relapse composed of 50 genes were associated with a median sensitivity of 47% and specificity of 70%. CONCLUSIONS: This study shows the feasibility and modest accuracy of stratifying local stage III FHWT using a classifier of <50 genes. Validation using an independent patient population is needed. Analysis of genes differentially expressed in relapse patients revealed apoptosis, Wnt signaling, insulin-like growth factor pathway, and epigenetic modification to be mechanisms important in relapse. Potential therapeutic targets include FRAP/MTOR and CD40.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».