Differential diagnosis of small hepatocellular nodules in cirrhosis: surrogate histological criteria of <i>TERT</i> promoter mutations
Notice bibliographique
Résumé
AIMS: The differential diagnosis of small hepatocellular nodules in cirrhosis between dysplastic nodules and hepatocellular carcinoma (HCC) remains challenging on biopsy. As TERT promoter (pTERT) mutations may indicate the nodules already engaged in the malignant process, the aim of this study was to identify histological criteria associated with pTERT mutations by detecting these mutations by ddPCR in small formalin-fixed paraffin-embedded (FFPE) hepatocellular nodules arising in cirrhosis. METHODS AND RESULTS: We built a bicentric cohort data set of 339 hepatocellular nodules < 2 cm from cirrhotic samples, divided into a test cohort of 299 resected samples and a validation cohort of 40 biopsies. Pathological review, based on the evaluation of 14 histological criteria, classified all nodules. pTERT mutations were identified by ddPCR in FFPE samples. Among the 339 nodules, ddPCR revealed pTERT mutations in 105 cases (31%), including 90 and 15 cases in the test and validation cohorts, respectively. On multivariate analysis, three histological criteria were associated with pTERT mutations in the test cohort: increased cell density (P = 0.003), stromal invasion (P = 0.036) and plate-thickening anomalies (P < 0.001). With the combination of at least two of these major criteria, the AUC for predicting pTERT mutations was 0.84 in the test cohort (sensitivity: 86%, specificity: 83%) and 0.81 in the validation cohort (sensitivity: 87%, specificity: 76%). CONCLUSIONS: We identified three histological criteria as surrogate markers of pTERT mutations that may be used in routine biopsy to more clearly classify small hepatocellular nodules arising in cirrhosis.
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 | 0,000 |
| 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 ».