Abstract 2627: Molecular analyses of histopathologic morphologic features in breast cancer
Notice bibliographique
Résumé
Abstract Traditional histopathologic analysis of breast cancer phenotypes has played a central role in the diagnosis, prognosis and clinical management of breast cancer. This study integrated molecular data with breast cancer histopathologic annotations to elucidate the molecular basis of these common morphologic features. We constructed a large, comprehensive histopathologic database of 850 invasive breast cancer cases from The Cancer Genome Atlas (TCGA). We integrated the consensus assessments of 11 morphologic features (nuclear pleomorphism, mitotic count, epithelial tubule formation, inflammation, DCIS, LCIS, lymphovascular invasion, necrosis, fibrotic focus, apocrine features and proportion of epithelium in invasive portion by area) with TCGA's genomic, transcriptomic and proteomic data. Using this highly annotated dataset, we identified molecular profiles associated with morphologic features, constructed Omics-based multivariate models to predict morphologic features and provided insights into their molecular etiology. The association of morphologic features’ signatures with survival in ER-positive and ER-negative breast cancer was assessed using six independent datasets. All data are publicly accessible at http://pathology.ai/tcga_breast. Morphologic features were associated with PAM50 subtypes, PAM50 proliferation scores, genomic alterations and gene expression (p<0.05). Clustering of morphologic features and genomic alterations produced two clusters of morphologic features and their separate were driven by TP53, CDH1 and PIK3CA mutations and chr12p13.3, ch8q24.21 and chr3q26.3 amplifications. The clustering of morphologic features and gene sets/pathways also produced two clusters of morphologic features characterized by “proliferation” or “inflammation”. The transcriptomic signatures of nuclear pleomorphism and epithelial tubule formation were independently prognostic in ER-positive breast cancer. No signatures were prognostic in ER-negative. Our detailed morphologic data enrich and complement TCGA's existing molecular data, increase our understanding of the molecular basis of breast cancer pathologic phenotypes, can facilitate the refinement of breast cancer classification, and enhance our understanding of breast cancer biology. Citation Format: Yu Jing Jan Heng, TCGA Breast Cancer Expert Pathology Committee, Jong Cheol Jeong, Deena M.A Gendoo, Benjamin Haibe-Kains, Giovanni Ciriello, Katherine A. Hoadley, Charles M. Perou, Andrew H. Beck. Molecular analyses of histopathologic morphologic features in breast cancer. [abstract]. In: Proceedings of the 107th Annual Meeting of the American Association for Cancer Research; 2016 Apr 16-20; New Orleans, LA. Philadelphia (PA): AACR; Cancer Res 2016;76(14 Suppl):Abstract nr 2627.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».