Prevalence of Thyroid Transcription Factor-1 (TTF-1)-Negative Small Cell Carcinoma and Napsin A Positivity in Small Cell Carcinoma in a Cross-Sectional Study of Lung Core Biopsies
Notice bibliographique
Résumé
Background The prevalence of thyroid transcription factor-1 (TTF-1) and napsin A expression are poorly characterized in lung core biopsies of small cell carcinoma. Locally, the TTF-1 clone is 8G7G3/1 (Agilent/Dako), and the napsin A clone is IP64 (Leica Biosystems). Methods All in-house lung core biopsy reports for cases accessioned at a regional laboratory from January 2011 to December 2020 were retrieved and analyzed using a validated hierarchical free-text string matching algorithm (HFTSMA) to establish the diagnosis. TTF-1 and napsin A were manually coded with the assistance of a logical text parsing tool. All TTF-1-negative small cell lung carcinoma (SCLC) cases had a full report review by pathologists. Results The cohort had 5,867 lung core biopsies, and 232 cases were confirmed as small cell carcinoma on pathologist review. TTF-1 immunostain results were available in 173 SCLC cases, and 16 cases of TTF-1-negative SCLC were confirmed on full report review. These 16 cases had at least one positive neuroendocrine (NE) marker and positive keratin staining; cases with mixed histology or positive CK5/6 staining were excluded. Ki-67 was done in 10/16 cases; the average Ki-67 was 75%. Napsin A was negative in 50/51 small cell carcinomas, and 0/3 TTF-1-negative SCLC had napsin A positivity. Conclusions Standardized immunostain reporting would simplify such analyses. Based on the cohort, approximately 9% (16/173) of SCLC is TTF-1 negative. Napsin A positivity in suspected small cell carcinoma should prompt consideration of an alternate diagnosis or explanation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».