Immunohistochemical and nanoString-Based Subgrouping of Clinical Medulloblastoma Samples
Notice bibliographique
Résumé
The diagnosis of medulloblastoma incorporates the histologic and molecular subclassification of clinical medulloblastoma samples into wingless (WNT)-activated, sonic hedgehog (SHH)-activated, group 3 and group 4 subgroups. Accurate medulloblastoma subclassification has important prognostic and treatment implications. Immunohistochemistry (IHC)-based and nanoString-based subgrouping methodologies have been independently described as options for medulloblastoma subgrouping, however have not previously been directly compared. We describe our experience with nanoString-based subgrouping in a clinical setting and compare this with our IHC-based results. Study materials included FFPE tissue from 160 medulloblastomas. Clinical data and tumor histology were reviewed. Immunohistochemical-based subgrouping using β-catenin, filamin A and p53 antibodies and nanoString-based gene expression profiling were performed. The sensitivity and specificity of IHC-based subgrouping of WNT and SHH-activated medulloblastomas was 91.5% and 99.54%, respectively. Filamin A immunopositivity highly correlated with SHH/WNT-activated subgroups (sensitivity 100%, specificity 92.7%, p < 0.001). Nuclear β-catenin immunopositivity had a sensitivity of 76.2% and specificity of 99.23% for detection of WNT-activated tumors. Approximately 23.8% of WNT cases would have been missed using an IHC-based subgrouping method alone. nanoString could confidently predict medulloblastoma subgroup in 93% of cases and could distinguish group 3/4 subgroups in 96.3% of cases. nanoString-based subgrouping allows for a more prognostically useful classification of clinical medulloblastoma samples.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».