Quantitative nuclear phenotype signatures predict nodal disease in oral squamous cell carcinoma
Notice bibliographique
Résumé
BACKGROUND: Early-stage oral squamous cell carcinoma (OSCC) patients have a one-in-four risk of regional metastasis (LN+), which is also the most significant prognostic factor for survival. As there are no validated biomarkers for predicting LN+ in early-stage OSCC, elective neck dissection often leads to over-treatment and under-treatment. We present a machine-learning-based model using the quantitative nuclear phenotype of cancer cells from the primary tumor to predict the risk of nodal disease. METHODS AND FINDINGS: Tumor specimens were obtained from 35 patients diagnosed with primary OSCC and received surgery with curative intent. Of the 35 patients, 29 had well (G1) or moderately (G2) differentiated tumors, and six had poorly differentiated tumors. From each, two consecutive sections were stained for hematoxylin & eosin and Feulgen-thionin staining. The slides were scanned, and images were processed to curate nuclear morphometric features for each nucleus, measuring nuclear morphology, DNA amount, and chromatin texture/organization. The nuclei (n = 384,041) from 15 G1 and 14 G2 tumors were randomly split into 80% training and 20% test set to build the predictive model by using Random Forest (RF) analysis which give each tumor cell a score, NRS. The area under ROC curve (AUC) was 99.6% and 90.7% for the training and test sets, respectively. At the cutoff score of 0.5 as the median NRS of each region of interest (n = 481), the AUC was 95.1%. We then developed a patient-level model based on the percentage of cells with an NRS ≥ 0.5. The prediction performance showed AUC of 97.7% among the 80% (n = 23 patient) training set and with the cutoff of 61% positive cells achieved 100% sensitivity and 91.7% specificity. When applying the 61% cutoff to the 20% test set patients, the model achieved 100% accuracy. CONCLUSIONS: Our findings may have a clinical impact with an easy, accurate, and objective biomarker from routine pathology tissue, providing an unprecedented opportunity to improve neck management decisions in early-stage OSCC patients.
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 | 0,000 | 0,001 |
| 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 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 ».