MRI Performance in Detecting pCR After Neoadjuvant Chemotherapy by Molecular Subtype of Breast Cancer
Notice bibliographique
Résumé
BACKGROUND: MRI performance in detecting pathologic complete response (pCR) post-neoadjuvant chemotherapy (NAC) in breast cancer has been previously explored. However, since tumor response varies by molecular subtype, it is plausible that imaging performance also varies. Therefore, we performed a literature review on subtype-specific MRI performance in detecting pCR post-NAC. METHODS: Two reviewers searched Cochrane, PubMed, and EMBASE for articles published between 2013 and 2018 that examined MRI performance in detecting pCR post-NAC. After filtering, ten primary research articles were included. Statistical metrics, such as sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV), were extracted per study for triple negative, HR+/HER2-, and HER2+ patients. RESULTS: Ten studies involving 2310 patients were included. In triple negative breast cancer, MRI showed NPV (58-100%) and PPV (72.7-94.7%) across 446 patients and sensitivity (45.5-100%) and specificity (49-94.4%) in 375 patients. In HR+/HER2- breast cancer patients, MRI showed NPV (29.4-100%) and PPV (21.4-95.1%) across 851 patients and sensitivity (43-100%) and specificity (45-93%) across 780 patients. In HER2+-enriched subtype, MRI showed NPV (62-94.6%) and PPV (34.9-72%) in 243 patients and sensitivity (36.2-83%) and specificity (47-90%) in 255 patients. CONCLUSION: MRI accuracy in detecting pCR post-NAC by subtype is not as consistent, nor as high, as individual studies suggest. Larger studies using standardized pCR definition with appropriate timing of surgery and MRI need to be conducted. This study has shown that MRI is in fact not an accurate prediction of pCR, and thus, clinicians may need to rely on other approaches such as biopsies of the tumor bed.
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) | 0,002 | 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 | 0,000 |
| 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 ».