Pathomic immune biomarkers define recurrence risk in early-stage melanoma
Notice bibliographique
Résumé
BACKGROUND: There is an urgent need for biomarkers in early-stage melanoma because the benefit of adjuvant immunotherapy is marginal while the toxicity is considerable. Immune surveillance is a key mechanism limiting melanoma progression, but no immune biomarkers have yet been sufficiently validated for clinical use. METHODS: We validate 3 digital pathology biomarkers, all previously trained in published cohorts and testable in formalin fixed paraffin embedded specimens, for correlation with recurrence free survival and distant metastatic free survival: (1) tumor infiltrating lymphocytes identified using artificial intelligence in digital images (eTILs), (2) nanoString melanoma immune profile (MIP), and (3) quantitative immunofluorescence of CD8+ cells. RESULTS: Three immune biomarkers were validated and found to correlate with recurrence at 36 months by receiver operating curve analysis (eTILs area under the curve [AUC] = 0.706, P = .002; MIP AUC = 0.775, P < .001; and CD8% AUC = 0.682, P = .009) and define high and low risk groups using Kaplan Meier (KM) curves within the IIA-IIID population (P = .007 for eTILs and P < .001 for MIP and CD8%) and within the difficult to treat IIB-IIIA subset (P = .005, P < .001, P < .001, respectively). Immune biomarkers enhance clinical predictors (P = .012, P < .001, P = .004), and correlate with distant metastatic recurrence (P = .031, P = .047, P = .014, respectively). Network analysis shows that stage and depth combined with pathomic immune features yields the highest correlation with recurrence (AUC = 0.875, P < .001). CONCLUSIONS: Immune biomarkers should be prospectively validated in stage II-III melanoma for the purpose of avoiding overtreatment of low-risk patients and to stratify high-risk patients for clinical trials.
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) | 0,000 | 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 ».