The Impact of Scoring Method on Accuracy and Reproducibility of Hans Cell-of-Origin Prediction in Excisional Biopsies of Diffuse Large B-Cell Lymphoma, Not Otherwise Specified
Notice bibliographique
Résumé
CONTEXT.—: Aided by tissue microarray (TMA) technology, several RNA-correlated immunohistochemistry-based algorithms have been developed for cell-of-origin (COO) prediction in diffuse large B-cell lymphoma, not otherwise specified (DLBCL-NOS). However, there is currently no empirical evidence to guide the optimal application of these algorithms to whole tissue sections (WTSs). OBJECTIVE.—: To assess the impact of various scoring methods on the accuracy and reproducibility of the popular Hans algorithm. DESIGN.—: We compared 3 different WTS-based scoring methods, designated as global, selective, and hotspot scoring, to a matched TMA evaluation and gold standard RNA analysis (Lymph2Cx; germinal center B cell n = 64; activated B cell/unclassified n = 68) using a representative series of 132 excisional biopsies of de novo DLBCL-NOS. Positivity scores (10% increments) were submitted by 3 expert lymphoma pathologists, with 30% or more defining positivity. RESULTS.—: Sixty-eight of the 132 cases of DLBCL-NOS (52%) exhibited variation in Hans immunohistochemistry marker phenotype as a consequence of scoring method and/or interscorer discordance. Although this led to changes in Hans COO assignment in 27 of 132 cases (20%), none of the WTS-based scoring methods were statistically inferior to one another in terms of raw accuracy. Hotspot scoring yielded the lowest proportion of borderline scores (20%-40% range) for BCL6 transcription repressor (BCL6) and IRF4 transcription factor (MUM1) but negatively impacted the balance between sensitivity and specificity for these markers. Selective scoring was associated with significantly worse interscorer concordance compared to TMA evaluation, which it was designed to replicate. CONCLUSIONS.—: Overall, our data favor the use of global scoring for its noninferior accuracy, solid interscorer concordance, nonnegative influence on individual Hans markers, and current widespread use.
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 | 0,026 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».