Dataset for the Reporting of Carcinoma of the Cervix: Recommendations From the International Collaboration on Cancer Reporting (ICCR)
Notice bibliographique
Résumé
Cervical carcinoma remains one of the most common cancers affecting women worldwide, despite effective screening programs being implemented in many countries for several decades. The International Collaboration on Cancer Reporting (ICCR) dataset for cervical carcinoma was first developed in 2017 with the aim of developing evidence-based standardized, consistent and comprehensive surgical pathology reports for resection specimens. This 4th edition update to the ICCR dataset on cervical cancer was undertaken to incorporate major changes based upon the updated International Federation of Obstetricians and Gynecologists (FIGO) staging for carcinoma of the cervix published in 2018 and the 5th Edition World Health Organization (WHO) Classification of Female Genital Tumors published in 2020 and other significant developments in pathologic aspects of cervical cancer. This updated dataset was developed by a panel of expert gynecological pathologists and an expert gynecological oncologist, with a period of open consultation. The revised dataset includes "core" and "noncore" elements to be reported; these are accompanied by detailed explanatory notes and references providing the rationale for the updates. Standardized reporting using datasets such as this helps facilitate consistency and accuracy, data collection across different sites and comparison of epidemiological and pathologic parameters for quality and research purposes.
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 | 0,002 | 0,014 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».