Risk Prediction Tool for Aggressive Tumors in Clinical T1 Stage Clear Cell Renal Cell Carcinoma Using Molecular Biomarkers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Some early-stage clear cell renal cell carcinomas (ccRCCs) of ≤7 cm are associated with a poor clinical outcome. In this study, we investigated molecular biomarkers associated with aggressive clinical T1 stage ccRCCs of ≤7 cm, which were used to develop a risk prediction tool toward guiding the decision of treatment. Among 1069 nephrectomies performed for ccRCC of ≤7 cm conducted between January 2008 and December 2014, 177 cases with available formalin-fixed paraffin-embedded tissue were evaluated. An aggressive tumor was defined as a tumor exhibiting synchronous metastasis, recurrence, or leading to cancer-specific death. Expression levels of six genes (FOXC2, CLIP4, PBRM1, BAP1, SETD2, and KDM5C) were measured by reverse-transcription polymerase chain reaction (qRT-PCR) and their relation to clinical outcomes was investigated. Immunohistochemistry was performed to validate the expression profiles of selected genes significantly associated with clinical outcomes in multivariate analysis. Using these genes, we developed a prediction model of aggressive ccRCC based on logistic regression and deep-learning methods. FOXC2, PBRM1, and BAP1 expression levels were significantly lower in aggressive ccRCC than non-aggressive ccRCC both in univariate and multivariate analysis. The immunohistochemistry result demonstrated the significant downregulation of FOXC2, PBRM1, and BAP1 expression in aggressive ccRCC. Adding immunohistochemical staining results to qRT-PCR, the aggressive ccRCC prediction models had the area under the curve (AUC) of 0.760 and 0.796 and accuracy of 0.759 and 0.852 using the logistic regression method and deep-learning method, respectively. Use of these biomarkers and the developed prediction model can help stratify patients with clinical T1 stage ccRCC.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle