Diagnosis of Ovarian Carcinoma Histotype Based on Limited Sampling
Notice bibliographique
Résumé
Growing insights into the biological features and molecular underpinnings of ovarian cancer has prompted a shift toward histotype-specific treatments and clinical trials. As a result, the preoperative diagnosis of ovarian carcinomas based on small tissue sampling is rapidly gaining importance. The data on the accuracy of ovarian carcinoma histotype-specific diagnosis based on small tissue samples, however, remains very limited in the literature. Herein, we describe a prospective series of 30 ovarian tumors diagnosed using cytology, frozen section, core needle biopsy, and immunohistochemistry (p53, p16, WT1, HNF-1β, ARID1A, TFF3, vimentin, and PR). The accuracy of histotype diagnosis using each of these modalities was 52%, 81%, 85%, and 84% respectively, using the final pathology report as the reference standard. The accuracy of histotype diagnosis using the Calculator for Ovarian Subtype Prediction (COSP), which evaluates immunohistochemical stains independent of histopathologic features, was 85%. Diagnostic accuracy varied across histotype and was lowest for endometrioid carcinoma across all diagnostic modalities (54%). High-grade serous carcinomas were the most overdiagnosed on core needle biopsy (accounting for 45% of misdiagnoses) and clear cell carcinomas the most overdiagnosed on frozen section (accounting for 36% of misdiagnoses). On core needle biopsy, 2/30 (7%) cases had a higher grade lesion missed due to sampling limitations. In this study, we identify several challenges in the diagnosis of ovarian tumors based on limited tissue sampling. Recognition of these scenarios can help improve diagnostic accuracy as we move forward with histotype-specific therapeutic strategies.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».