Report From the International Society of Urological Pathology (ISUP) Consultation Conference on Molecular Pathology of Urogenital Cancers. I. Molecular Biomarkers in Prostate Cancer
Notice bibliographique
Résumé
The combined clinical and molecular heterogeneity of prostate cancer necessitates the use of prognostic, predictive, and diagnostic biomarkers to assist the clinician with treatment selection. The pathologist plays a critical role in guiding molecular biomarker testing in prostate cancer and requires a thorough knowledge of the current testing options. In the setting of clinically localized prostate cancer, prognostic biomarkers such as Ki-67 labeling, PTEN loss or mRNA-based genomic signatures can be useful to help determine whether definitive therapy is required. In the setting of advanced disease, predictive biomarkers, such as the presence of DNA repair deficiency mediated by BRCA2 loss or mismatch repair gene defects, may suggest the utility of poly-ADP ribosylase inhibition or immune checkpoint blockade. Finally, androgen receptor-related biomarkers or diagnostic biomarkers indicating the presence of small cell neuroendocrine prostate cancer may help guide the use of androgen receptor signaling inhibitors and chemotherapy. In this review, we examine the current evidence for several prognostic, predictive and diagnostic tissue-based molecular biomarkers in prostate cancer management. For each assay, we summarize a recent survey of the International Society of Urology Pathology (ISUP) members on current testing practices and include recommendations for testing that emerged from the ISUP Working Group on Molecular Pathology of Prostate Cancer and the 2019 Consultation Conference on Molecular Pathology of Urogenital Cancers.
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 | 0,001 | 0,000 |
| 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 | 0,002 |
| 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) | 0,000 | 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 ».