Tumour-educated platelets for breast cancer detection: biological and technical insights
Notice bibliographique
Résumé
BACKGROUND: Studies have shown that blood platelets contain tumour-specific mRNA profiles tumour-educated platelets (TEPs). Here, we aim to train a TEP-based breast cancer detection classifier. METHODS: Platelet mRNA was sequenced from 266 women with stage I-IV breast cancer and 212 female controls from 6 hospitals. A particle swarm optimised support vector machine (PSO-SVM) and an elastic net-based classifier (EN) were trained on 71% of the study population. Classifier performance was evaluated in the remainder (29%) of the population, followed by validation in an independent set (37 cases and 36 controls). Potential confounding was assessed in post hoc analyses. RESULTS: Both classifiers reached an area under the curve (AUC) of 0.85 upon internal validation. Reproducibility in the independent validation set was poor with an AUC of 0.55 and 0.54 for the PSO-SVM and EN classifier, respectively. Post hoc analyses indicated that 19% of the variance in gene expression was associated with hospital. Genes related to platelet activity were differentially expressed between hospitals. CONCLUSIONS: We could not validate two TEP-based breast cancer classifiers in an independent validation cohort. The TEP protocol is sensitive to within-protocol variation and revision might be necessary before TEPs can be reconsidered for breast cancer detection.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».