Risk Prediction Tool for Aggressive Tumors in Clinical T1 Stage Clear Cell Renal Cell Carcinoma Using Molecular Biomarkers
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».