The role of biomarker in pancreatic neuroendocrine tumor: a narrative review
Notice bibliographique
Résumé
Abstract Pancreatic neuroendocrine tumors (pNET) are heterogenous tumors originated from the diffuse neuroendocrine cells of pancreas, which show the function of synthesis, storage and secretion of peptide hormones and biomimetic amines. Biomarkers play a crucial role in the diagnosing, evaluating prognosis and predicting treatment response for pNET patients. Traditional NET markers such as chromogranin A and Neuron Specific Enolase, as a diagnostic biomarker, have relatively low sensitivity and specificity in pNET patients. The emergence of new types of biomarkers provides more reliable indicators for diagnosis and prognosis evaluation. Among them, NETest score is a promising biomarker with the highest diagnostic sensitivity (80%) and specificity (94%). In addition, this molecule can be also used as a prognostic biomarker, which can predict disease progression and shorter overall survival. Biomarkers related to therapeutic targets, such as vascular endothelial growth factor, vascular endothelial growth factor receptor, and key molecules of mTOR signaling pathway, have capability to predict response of treatment. With the development of next-generation sequencing, chip array, and digital droplet PCR, novel biomarkers such as circulating tumor cells, tumor-derived exosomes, and circulating tumor DNA and mRNA are expected to provide more accurate diagnosis, prognostic information, and prospective therapeutic targets. In this paper, biomarkers of pancreatic neuroendocrine tumor and their role in diagnosis, prognosis, diagnosis, treatment and monitoring are systematically introduced. Our conclusions can provide new basis for clinicians in the diagnosis and treatment process.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».