Lung carcinoid tumours: histology and Ki‐67, the eternal rivalry
Notice bibliographique
Résumé
WHO classification of Thoracic Tumours defines lung carcinoid tumours (LCTs) as well-differentiated neuroendocrine neoplasms (NENs) classified in low grade typical (TC) and intermediate grade atypical carcinoids (AC). Limited data exist concerning protein expression and morphologic factors able to predict disease aggressiveness. Though Ki-67 has proved to be a powerful diagnostic and prognostic factor for Gastro-entero-pancreatic NENs, its role in lung NENs is still debated. A retrospective series of 370 LCT from two oncology centers was centrally reviewed. Morphology and immunohistochemical markers (Ki-67, TTF-1, CD44, OTP, SSTR-2A, Ascl1, and p53) were studied and correlated with Overall Survival (OS), Cancer-specific survival (CSS) and Disease-free survival (DFS). Carcinoid histology was confirmed in 355 patients: 297 (83.7%) TC and 58 (16.3%) AC. Ki-67 at 3% was the best value in predicting DFS. Ki-67 ≥ 3% tumours were significantly associated with AC histology, stage III-IV, smoking, vascular invasion, tumour spread through air spaces OTP negativity, and TTF-1, Ascl1 and p53 positivity. After adjustment for center and period of diagnosis, both Ki-67 (≥3 versus <3) and histology (AC versus TC) alone significantly added prognostic information to OS and CSS multivariable model with age, stage and OTP; addition of both variables did not provide further prognostic information. Conversely, an improved significance of the DFS prediction model at multivariate analysis was seen by adding Ki-67 (≥3 versus <3, P adj = 0.01) to TC and AC histological distinction, age, lymph node involvement, residual tumour and OTP. Ki-67 ≥ 3% plays a potentially pivotal role in LCT prognosis, irrespective of histological grade.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».