Molecular Characterization of Neuroendocrine-like Bladder Cancer
Notice bibliographique
Résumé
Abstract Purpose: Neuroendocrine (NE) bladder carcinoma is a rare and aggressive variant. Molecular subtyping studies have found that 5% to 15% of muscle-invasive bladder cancer (MIBC) have transcriptomic patterns consistent with NE bladder cancer in the absence of NE histology. The clinical implications of this NE-like subtype have not been explored in depth. Experimental Design: Transcriptome-wide expression profiles were generated for MIBC collected from 7 institutions and clinical-use of Decipher Bladder. Using unsupervised clustering, we generated a clustering solution on a prospective training cohort (PTC; n = 175), developed single-sample classifiers to predict NE tumors, and evaluated the resultant models on a testing radical cystectomy (RC) cohort (n = 225). A random forest model was finalized and applied to 5 validation cohorts (n = 1302). Uni- and multivariable survival analyses were used to characterize clinical outcomes. Results: In the training cohort (PTC), hierarchical clustering using an 84-gene panel showed a cluster of 8 patients (4.6%) with highly heterogeneous expression of NE markers in the absence of basal or luminal marker expression. NE-like tumors were identified in 1% to 6.6% of cases in validation cohorts. Patients with NE-like tumors had significantly worse 1-year progression-free survival (65% NE-like vs. 82% overall; P = 0.046) and, after adjusting for clinical and pathologic factors, had a 6.4-fold increased risk of all-cause mortality (P = 0.001). IHC confirmed the neuronal character of these tumors. Conclusions: A single-patient classifier was developed that identifies patients with histologic urothelial cancer harboring a NE transcriptomic profile. These tumors represent a high-risk subgroup of MIBC, which may require different treatment.
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 | 0,000 | 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) | 0,004 | 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 ».