Impact of the methylation classifier and ancillary methods on CNS tumor diagnostics
Notice bibliographique
Résumé
BACKGROUND: Accurate CNS tumor diagnosis can be challenging, and methylation profiling can serve as an adjunct to classify diagnostically difficult cases. METHODS: An integrated diagnostic approach was employed for a consecutive series of 1258 surgical neuropathology samples obtained primarily in a consultation practice over 2-year period. DNA methylation profiling and classification using the DKFZ/Heidelberg CNS tumor classifier was performed, as well as unsupervised analyses of methylation data. Ancillary testing, where relevant, was performed. RESULTS: Among the received cases in consultation, a high-confidence methylation classifier score (>0.84) was reached in 66.4% of cases. The classifier impacted the diagnosis in 46.7% of these high-confidence classifier score cases, including a substantially new diagnosis in 26.9% cases. Among the 289 cases received with only a descriptive diagnosis, methylation was able to resolve approximately half (144, 49.8%) with high-confidence scores. Additional methods were able to resolve diagnostic uncertainty in 41.6% of the low-score cases. Tumor purity was significantly associated with classifier score (P = 1.15e-11). Deconvolution demonstrated that suspected glioblastomas (GBMs) matching as control/inflammatory brain tissue could be resolved into GBM methylation profiles, which provided a proof-of-concept approach to resolve tumor classification in the setting of low tumor purity. CONCLUSIONS: This work assesses the impact of a methylation classifier and additional methods in a consultative practice by defining the proportions with concordant vs change in diagnosis in a set of diagnostically challenging CNS tumors. We address approaches to low-confidence scores and confounding issues of low tumor purity.
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 | 0,002 |
| 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 ».