Public health practitioners can learn from the weather forecasters
Notice bibliographique
Résumé
Background CTLA-4 is an inhibitory immune checkpoint receptor and a negative regulator of anti-tumor T-cell function. This study aimed at a comparative analysis of CTLA-4+ cells between different tumor entities. Materials and Methods To quantify CTLA-4+ cells, 4,582 tumor samples from 90 different tumor entities as well as 608 samples of 76 different normal tissue types were analyzed by immunohistochemistry in a tissue microarray format. Two different antibody clones (MSVA-152R and CAL49) were validated and quantified using a deep learning framework for automated exclusion of unspecific immunostaining. Results Comparing both CTLA-4 antibodies revealed a clone dependent unspecific staining pattern in adrenal cortical adenoma (63%) for MSVA-152R and in pheochromocytoma (67%) as well as hepatocellular carcinoma (36%) for CAL49. After automated exclusion of non-specific staining reaction (3.6%), a strong correlation was observed for the densities of CTLA-4+ lymphocytes obtained by both antibodies (r=0.87; p<0.0001). The mean density of CTLA-4+ cells was 674±1482 cells/mm2 and ranged from 71±175 cells/mm2 in leiomyoma to 5916±3826 cells/mm2 in Hodgkin’s lymphoma. Within epithelial tumors, the density of CTLA-4+ lymphocytes were higher in squamous cell (421±467 cells/mm2) and urothelial carcinomas (419±347 cells/mm2) than in adenocarcinomas (269±375 cells/mm2) and renal cell neoplasms (256±269 cells/mm2). A high CTLA-4+ cell density was linked to low pT category (p<0.0001), absent lymph node metastases (p=0.0354), and PD-L1 expression in tumor cells or inflammatory cells (p<0.0001 each). A high CTLA-4/CD3-ratio was linked to absent lymph node metastases (p=0.0295) and to PD-L1 positivity on immune cells (p<0.0026). Conclusions Marked differences exist in the number of CTLA-4+ lymphocytes between tumors. Analyzing two independent antibodies by a deep learning framework can facilitate automated quantification of immunohistochemically analyzed target proteins such as CTLA-4. Disclosure Information D. Dum: None. T.L.C. Henke: None. T. Mandelkow: None. E. Bady: None. R. Simon: None. G. Sauter: None. S. Steuerer: None. W. Wilczak: None. E. Burandt: None. J. Raedler: None. M. Lennartz: None. N.C. Blessin: None.
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 | 0,003 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,112 | 0,056 |
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 ».