RNA Signature as Potential Diagnostic Marker for Differentiation of Pancreatic Cysts: A Pilot Study
Notice bibliographique
Résumé
The accurate classification of pancreatic cystic lesions remains clinically challenging due to overlapping imaging features and variable malignant potential. Mucinous cystic neoplasms, in particular, require early identification given their premalignant nature. RNA profiling presents a promising alternative to current diagnostic limitations—a molecular lens sharpened by AI-driven pattern recognition. This study aimed to evaluate the diagnostic potential of RNA signatures for differentiating pancreatic cyst subtypes and to clarify their roles in their pathophysiology. The study included 31 patients with pancreatic lesions who underwent endoscopic ultrasound-guided fine-needle aspiration. RNA was extracted from cyst fluid, tissue, and peripheral blood. Expression of 17 target genes was analyzed using qPCR. Gene expression patterns were compared across mucinous cystic neoplasms, serous cystic neoplasms, pseudocysts, adenocarcinoma, and chronic pancreatitis cohorts. Diagnostic accuracy was evaluated via ROC analysis. Mucinous cysts exhibited significant overexpression of MUC1, ITGA2, ELOVL6, and MUC5AC genes compared to serous cysts and pseudocysts. PKM gene expression correlated with increasing malignant potential. In blood plasma, only MUC1, MUC4, and PYGL were elevated in adenocarcinoma compared to mucinous neoplasms. We identified a distinct RNA signature that can distinguish mucinous cystic neoplasms from benign cystic lesions (serous cysts and pseudocysts), which could be useful for guiding patient management and improving clinical outcomes. Validation in broader cohorts is essential for clinical implementation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».