Molecular pathology of bladder cancer
Notice bibliographique
Résumé
Significant progress has been achieved in elucidating the molecular underpinnings of bladder cancer initiation and progression. Translational research has identified mutations in chromatin-modifying genes such as KMT2D and KDM6A, which facilitate colonization of larger regions of the urothelium. Subsequent mutations in TP53, PIK3CA, FGFR3 or RB1 drive malignant transformation. Advances in personalized oncology now integrate clinical, pathological and molecular classifications in bladder cancer, representing a paradigm shift in the management of locally advanced and metastatic disease. Alterations in FGFR3, commonly found in the luminal-papillary molecular subtype associated with low response to immunotherapy, are the target of erdafitinib. Enfortumab vedotin, which targets Nectin-4 (expressed in >95% of urothelial carcinomas), is approved for patients who progress after chemotherapy and/or immunotherapy. Evidence suggests that Nectin-4 gene amplification may further refine patient stratification. Sacituzumab govitecan, an antibody-drug conjugate directed against Trop-2, is effective in basal, luminal and stroma-rich subtypes but not in neuroendocrine carcinomas. In addition, therapies developed for HER2-positive breast cancer have shown efficacy in urothelial carcinoma, with recent data from the DESTINY pan-tumour phase II trial leading to FDA approval of trastuzumab deruxtecan for HER2-overexpressing metastatic urothelial carcinoma. This paper is a comprehensive review of the molecular pathology of bladder cancer, highlighting advances in molecular classification, biomarkers and personalized therapies. The transition from morphology-based classifications to combined morphological and molecular approaches, with therapeutic implications, is also addressed.
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) | 0,003 | 0,001 |
| 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 | 0,001 | 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 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 ».