Potential Use of Quantitative Tissue Phenotype to Predict Malignant Risk for Oral Premalignant Lesions
Notice bibliographique
Résumé
The importance of early diagnosis in improving mortality and morbidity rates of oral squamous cell carcinoma (SCC) has long been recognized. However, a major challenge for early diagnosis is our limited ability to differentiate oral premalignant lesions (OPL) at high risk of progressing into invasive SCC from those at low risk. We investigated the potential of quantitative tissue phenotype (QTP), measured by high-resolution image analysis, to identify severe dysplasia/carcinoma in situ (CIS; known to have an increased risk of progression) and to predict progression to cancer within hyperplasia or mild/moderate dysplasia. We generated a nuclear phenotype score (NPS), a combination of five nuclear morphometric features that best discriminate 4,027 "normal" nuclei (selected from 29 normal oral biopsies) from 4,298 "abnormal" nuclei (selected from 30 SCC biopsies). This NPS was then determined for a set of 69 OPLs. Severe dysplasia/CIS showed a significant increase in NPS compared with hyperplasia or mild/moderate dysplasia. However, within the latter group, elevated NPS was strongly associated with the presence of high-risk loss of heterozygosity (LOH) patterns. There was a statistical difference between NPS of hyperplasia or mild/moderate dysplasia that progressed to cancer and those that did not. Individuals with a high NPS had a 10-fold increase in relative risk of progression. In the multivariate Cox model, LOH and NPS together were the strongest predictors for cancer development. These data suggest that QTP could be used to identify lesions that require molecular evaluation and should be integrated with such approaches to facilitate the identification of hyperplasia or mild/moderate dysplasia OPLs at high risk of progression.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».