Hierarchical Clustering Analysis of Tissue Microarray Immunostaining Data Identifies Prognostically Significant Groups of Breast Carcinoma
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Prognostically relevant cluster groups, based on gene expression profiles, have been recently identified for breast cancers, lung cancers, and lymphoma. Our aim was to determine whether hierarchical clustering analysis of multiple immunomarkers (protein expression profiles) improves prognostication in patients with invasive breast cancer. A cohort of 438 sequential cases of invasive breast cancer with median follow-up of 15.4 years was selected for tissue microarray construction. A total of 31 biomarkers were tested by immunohistochemistry on these tissue arrays. The prognostic significance of individual markers was assessed by using Kaplan-Meier survival estimates and log-rank tests. Seventeen of 31 markers showed prognostic significance in univariate analysis (P < or = 0.05) and 4 markers showed a trend toward significance (P < or = 0.2). Unsupervised hierarchical clustering analysis was done by using these 21 immunomarkers, and this resulted in identification of three cluster groups with significant differences in clinical outcome. chi2 analysis showed that expression of 11 markers significantly correlated with membership in one of the three cluster groups. Unsupervised hierarchical clustering analysis with this set of 11 markers reproduced the same three prognostically significant cluster groups identified by using the larger set of markers. These cluster groups were of prognostic significance independent of lymph node metastasis, tumor size, and tumor grade in multivariate analysis (P=0.0001). The cluster groups were as powerful a prognostic indicator as lymph node status. This work demonstrates that hierarchical clustering of immunostaining data by using multiple markers can group breast cancers into classes with clinical relevance and is superior to the use of individual prognostic markers.
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.
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 | 0,002 | 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 | 0,001 |
| 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 découle