Molecular profiling in muscle‐invasive bladder cancer: more than the sum of its parts
Notice bibliographique
Résumé
Bladder cancers are biologically and clinically heterogeneous. Recent large-scale transcriptomic profiling studies focusing on life-threatening muscle-invasive cases have demonstrated a small number of molecularly distinct clusters that largely explain their heterogeneity. Similar to breast cancer, these clusters reflect intrinsic urothelial cell-type differentiation programs, including those with luminal and basal cell characteristics. Also like breast cancer, each cell-based subtype demonstrates a distinct profile with regard to its prognosis and its expression of therapeutic targets. Indeed, a number of studies suggest subtype-specific differential responses to cytotoxic chemotherapy and to therapies that inhibit a number of targets, including growth factors (EGFR, ERBB2, FGFR) and immune checkpoint (PD1, PDL1) inhibitors. Despite burgeoning evidence for important clinical implications, subtyping has yet to enter into routine clinical practice. Here we review the conceptual basis for intrinsic cell subtyping in muscle-invasive bladder cancer and discuss evidence behind proposed clinical uses for subtyping as a prognostic or predictive test. In deliberating barriers to clinical implementation, we review pitfalls associated with transcriptomic profiling and illustrate a simple immunohistochemistry (IHC)-based subtyping algorithm that may serve as a faster, less expensive alternative. Envisioned as a research tool that can easily be translated into routine pathology workflow, IHC-based profiling has the potential to more rapidly establish the utility (or lack thereof) of cell type profiling in clinical practice. Copyright © 2019 Pathological Society of Great Britain and Ireland. Published by John Wiley & Sons, Ltd.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».