Immunohistochemical biomarker scoring in gastroesophageal cancers: Can computers help us?
Notice bibliographique
Résumé
The increasing complexity of cancer diagnostics and treatment selection has placed a growing burden on pathologists, particularly in the evaluation of immunohistochemical (IHC) biomarkers. In gastroesophageal cancers (GEC), both adenocarcinoma and squamous cell carcinoma subtypes, multiple prognostic and predictive biomarkers must be assessed to guide therapy. These evaluations require meticulous scoring, are time-consuming, and suffer from inter- and intra-observer variability. Given the worldwide shortage of pathologists, artificial intelligence (AI)-based tools have emerged as a potential solution to enhance efficiency and accuracy in biomarker scoring. This review aims to answer the question captured in its title: can AI help us in IHC biomarker scoring in GEC, and if so, how? A search of PubMed and Google Scholar was conducted to identify relevant studies. The analysis reveals that AI has demonstrated promise in improving reproducibility and reducing pathologist workload for biomarkers such as PD-L1 and HER2, although its applications in GEC remain limited compared to other cancer types. In parallel, predictive computational approaches are emerging that could revolutionize biomarker scoring altogether. By alleviating the burdens of complex scoring systems and costly additional assays, AI could have the potential to significantly enhance pathology practice in GEC biomarker evaluation.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».