Combination of MCM2 With Ki67 and p16 Immunohistochemistry Can Distinguish Uterine Leiomyosarcomas
Notice bibliographique
Résumé
Our objective was to evaluate the diagnostic utility of 2 new proliferation markers, cyclin D1 and minichromosome maintenance complex component 2 (MCM2), in comparison with p16, p53, and Ki67 in differentiating the spectrum of smooth muscle tumors. An institutional database search from 2009 to 2017 identified 10 cases of uterine leiomyoma with bizarre nuclei (LBN), 12 smooth muscle tumors of uncertain malignant potential, and 13 leiomyosarcomas (LMS). Ten resected leiomyomas (LM) were included as controls. Immunohistochemistry was performed on the befitting representative block from each case. Ki67 was <10% in all LMs and LBNs, whereas >10% in all LMSs. Although wild-type in majority of cases, p53 was overexpressed in 38% of LMSs. Cyclin D1 nuclear positivity in LMs, LBNs, and smooth muscle tumors of uncertain malignant potentials ranged from 0% to 65% of neoplastic cells with mostly weak to moderate staining intensity. Instead, cyclin D1 expression was <5% in all LMSs. The ratio of MCM2 positivity exhibited a similar wide range (<1%-80%) in LMs, LBNs, and smooth muscle tumors of uncertain malignant potentials but interestingly, 92% (12/13) of LMSs were diffusely and strongly positive for MCM2 (>80% cell positivity). Overall, for diagnosis of LMS, the sensitivity for diffuse intense MCM2 staining was higher (92%) compared with diffuse staining for p16 (77%); however, specificity of MCM2 and p16 was comparable (94% and 97%, respectively). Herein, we describe the immunohistochemical profile of 2 new proliferation markers, cyclin D1 and MCM2 in uterine smooth muscle tumors. A combination of diffuse strong MCM2 and p16 reactivity with increased Ki67 index can reliably distinguish LMSs from benign histologic mimics.
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 | 0,000 |
| 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 ».