Multimodal biomarkers overcome sampling bias to predict presence of aggressive localized prostate cancer.
Notice bibliographique
Résumé
209 Background: Histopathologic investigation of diagnostic prostate biopsies both confirms the presence of disease and estimates its potential for distal spread via tumour grade. The accuracy of biopsy grading is limited by intra-tumoral heterogeneity, inter-observer variability, and other factors. To improve risk stratification at the time of diagnosis, we sought to create objective molecular biomarkers of radical prostatectomy grade that are resistant to sampling error and should be useful when applied to biopsy tissue. Methods: We developed and validated a robust objective biomarker of prostate cancer grade using pathologic grading of prostatectomy tissues as the gold standard. We created training (333 patients) and validation (202 patients) cohorts of Cancer of the Prostate Risk Assessment (CAPRA) low- and intermediate-risk prostate cancer patients. To address intra-tumoral heterogeneity, each tumor was sampled at two locations. We profiled the abundance of 342 mRNAs complemented by 100 canonical DNA copy number aberration loci (CNAs) and 14 hypermethylation events. Using the training cohort with cross-validation, we evaluated models for training classifiers of pathologic Grade Group ≥2, Restricting to strategies resulting in true negative rates ≥0.5, true positive (TP) rates ≥0.8, we selected two strategies to train classifiers, PRONTO-e and PRONTO-m. Results: The PRONTO-e classifier comprises 353 mRNA and CNA features, while the PRONTO-m classifier comprises 94 mRNA, CNA, methylation and clinical features. Both classifiers (PRONTO-e, PRONTO-m) validated in the independent cohort, with respective TP rates of 0.809 and 0.760, false positive rates of 0.429 and 0.262, F1 scores of 0.709 and 0.724, and AUCs of 0.792 and 0.818. Conclusions: Two classifiers were developed and validated in separate cohorts, each achieved excellent performance by integrating different types of molecular data. Implementation of classifiers with these performance characteristics could markedly improve current active surveillance approaches without increasing patient morbidity and may help better inform patients on their individual need for definitive therapy versus active surveillance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».