MétaCan
Menu
Retour à la cohorte
Enregistrement W3171268121 · doi:10.1093/neuonc/noab090.039

EMBR-21. CLINICALLY TRACTABLE OUTCOME PREDICTION OF GROUP 3/4 MEDULLOBLASTOMA BASED ON TPD52 IMMUNOHISTOCHEMISTRY: A MULTICOHORT STUDY

2021· article· en· W3171268121 sur OpenAlexaff
Alberto Delaidelli, Christopher Dunham, Maria Rita Santi, Gian Luca Negri, Joanna Triscott, Olga Zheludkova, Andrey Golanov, Marina Ryzhova, Konstantin Okonechnikov, Daniel Schrimpf, Damian Stichel, Andreas von Deimling, Marcel Kool, Stefan M. Pfister, Vijay Ramaswamy, Andrey Korshunov, Michael D. Taylor, Poul H. Sorensen

Notice bibliographique

RevueNeuro-Oncology · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensBC Children's Hospital
Organismes subventionnairesnon disponible
Mots-clésMedulloblastomaOncologyInternal medicineBiomarkerImmunohistochemistryRisk stratificationReceiver operating characteristicMultivariate analysisMedicineBioinformaticsBiologyPathologyGenetics

Résumé

récupéré en direct d'OpenAlex

Abstract Background International consensus and the 2021 WHO classification recognize eight molecular subtypes among Group 3/4 medulloblastoma (representing ~60% of tumors). However, very few clinical centers worldwide possess the technical capabilities to determine DNA-methylation patterns or other molecular parameters of high-risk for Group 3/4 tumors. As a result, biomarker-driven risk stratification and therapy assignment constitutes a major challenge in medulloblastoma research. Here, we identify an immunohistochemistry (IHC) marker as a clinically tractable method for improved medulloblastoma risk-stratification. Patients and Methods We bioinformatically analyzed published medulloblastoma transcriptomes and proteomes identifying as a potential biomarker TPD52, whose IHC prognostic value was validated across three Group 3/4 medulloblastoma clinical cohorts (n = 387) treated with conventional therapies. Risk stratification and prediction capability were computed utilizing uni- and multivariate survival analysis. Newly developed risk classifiers including TPD52 IHC were compared to state-of-the-art risk stratification schemes in terms of prediction error, area under the time-dependent receiver operating characteristic (ROC) curves and C-statistic. Biomarker-driven prognostic stratification models identified were cross validated in different cohorts. Results TPD52 IHC positivity represents a significant independent predictor of early relapse and death for Group 3/4 medulloblastoma (HRs between 3.67–26.7 [95% CIs between 1.00–706.23], p = 0.05, 0.017 and 0.0058). Cross-validated survival models incorporating TPD52 IHC with clinical features outperformed existing disease risk-stratification schemes, and reclassified ~50% of patients into more appropriate risk categories. Finally, TPD52 immunopositivity is a predictive indicator of poor response to chemotherapy (HR 12.66 [95% CI 3.53–45.40], p < 0.0001), suggesting important implication for therapeutic choices. Conclusion The current study redefines the approach to risk-stratification in Group 3/4 medulloblastoma. Integration of TPD52 IHC in classification algorithms significantly improves outcome prediction and can be rapidly adopted for risk stratification on a global scale, independently of advanced but technically challenging molecular profiling techniques.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,355
Écart entre enseignants0,332 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuro-OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207