IRF8 in Conjunction With CD123 and CD20 to Distinguish Lupus Erythematosus Panniculitis From Subcutaneous Panniculitis-like T-Cell Lymphoma
Notice bibliographique
Résumé
Distinguishing lupus erythematosus panniculitis (LEP) from subcutaneous panniculitis-like T-cell lymphoma (SPTCL) is a diagnostic challenge with important clinical implications. Immunohistochemical expression of interferon regulatory factor 8 (IRF8) has been shown to highlight cells with plasmacytoid dendritic cell differentiation. Considering that the presence of plasmacytoid dendritic cells highlighted by CD123 immunolabeling is a well-described feature that supports LEP over SPTCL, we hypothesized that IRF8 immunohistochemistry can be used as a diagnostic test to improve accuracy in differentiating LEP from SPTCL. In this study, we assessed the expression of IRF8, CD123, and CD20 in 35 cutaneous biopsies from 31 distinct patients, which included 22 cases of LEP and 13 cases of SPTCL. We found that clusters of IRF8-positive cells within the dermis, and away from subcutaneous fat, could discriminate LEP from SPTCL ( P =0.005). Similarly, CD123-positive clusters in any location were observed in LEP but absent in all cases of SPTCL. In addition, we found that dermal CD20-predominant lymphoid aggregates could help discriminate LEP from SPTCL ( P =0.022). As individual assays, IRF8, CD123, and CD20 were highly specific (100%, 100%, and 92%, respectively) though poorly sensitive (45%, 29%, and 50%, respectively). However, a panel combining IRF8, CD123, and CD20, with at least 1 positive marker was more accurate than any individual marker by receiver operating characteristic curve analysis. Our study provides a rationale for potentially including IRF8 as part of an immunohistochemical panel composed of other currently available markers used to differentiate LEP from SPTCL.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».