Multivariate regression analysis to predict progression of oral premalignant lesions
Notice bibliographique
Résumé
B138 Survival rates for oral cancer patients have remained unchanged in the past several decades largely because of the late identification of the disease and the high rate of local recurrence after treatment. We present research based upon an approach that uses automated quantitative microscopy technology in conjunction with molecular approaches to create an integrated plan for patient assessment and management that would be rapid and cost-effective. > Objective : The aim of this study was to assess the potential of Quantitative Tissue Phenotype (QTP) and its correlation with conventional histopathology, allelic losses for prediction of cancer development from OPLs. > Methods : A total of 138 oral mucosa lesions were analyzed. The distribution of the pathology grades was as follow: normal- 30, hyperplasia -21, mild dysplasia -13, moderate dysplasia-10, sever dysplasia/CIS- 35, and invasive Squamous Cell Cancer -29. Thoinin-Feulgen stained sections, adjacent to the HE n = 34, MR3 ). The time course data for these patients has been stratified into those which develop cancer (29 lesions) and those which have not developed cancer after at least 10 years of follow-up (15 lesions) > Results: We investigated the potential of Quantitative Tissue Phenotype (as measured by the NPS), to recognize severe dysplasia/carcinoma in situ ( CIS ) (known to have an increased risk of transformation into invasive cancer) and to predict progression of hyperplasia/mild/moderate dysplasia (termed HMD). Using the NPS in this pilot data we can correctly identify 94% of the high-grade OPLs while maintaining a specificity of 74%. The NPS can be used in this pilot study to identify patients which progressed to cancer 77% of the time while correctly identifying the patient which do not progress 78% of the time. There was significant correlation between lesions with High NPS and lesion with genetic damage. From a Cox model the most predictive factors for cancer risk are LOH (p =0.0008) and NPS (p = 0.0007). In the multivariate Cox model, LOH (p =0.01) and NPS (p = 0.07) are the strongest predictors for cancer development. All analyses showed that pathology was not a predictor for HMD progression to cancer. > Conclusion s: These data support the potential utility of Quantitative Tissue Phenotype as a marker associated with molecular damage and with cancer development. QTP could be used to identify lesions that require molecular evaluation.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».