An international unified approach to reporting and grading invasive breast cancer. An overview of the International Collaboration on Cancer Reporting (<scp>ICCR</scp>) initiative
Notice bibliographique
Résumé
Standardised reporting of breast cancer key pathology data has become the norm in some parts of the world, but are based on national or regional guidelines that differ in certain aspects, resulting in divergent reporting practices and a lack of comparability of data internationally. The International Collaboration on Cancer Reporting (ICCR), a global alliance of major (inter-)national pathology and cancer organizations, have recently produced a new international dataset for the pathology reporting of breast cancer, including resection specimens with invasive cancer and ductal carcinoma in situ (DCIS) of the breast. This initiative aims at providing an international unified approach to reporting cancer. The guidance was prepared by an international expert panel consisting of experienced breast pathologists, a surgeon, and an oncologist. The dataset includes core (essential) and noncore (optional) data items based on a critical review and discussion of current evidence. Commentary is provided for each data item to explain the rationale for selection, its clinical relevance, and to highlight potential areas of disagreement or lack of evidence, in which case a consensus position was formulated. The process concludes with international public consultation, before ratification and publication on the free open access ICCR website, with a synoptic reporting guide. The key aim is to promote high-quality, standardised pathology reporting that can be used worldwide. Histological grade, tumour size, and oestrogen receptor status are used in this article to illustrate this process and the detail provided to support its inclusion.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».