The Impact of Next‐Generation Sequencing on Interobserver Agreement and Diagnostic Accuracy of Deep Penetrating Melanocytic Neoplasms
Notice bibliographique
Résumé
BACKGROUND: Next-generation sequencing (NGS) is becoming more commonly used for diagnosis in dermatopathology. It's critical to appraise its efficacy and limitations. Distinguishing benign deep penetrating nevi (DPN) from deep penetrating like-melanoma (DPN-M) is a challenging diagnostic scenario even for experienced dermatopathologists. METHODS: We sent a two-phase survey (pre-and postgenomics) to 32 experienced dermatopathologists to evaluate 39 diagnostically challenging cases from the DPN/WNT-activated family of melanocytic neoplasms. RESULTS: With NGS data, interobserver agreement improved from 0.41 to 0.51 (p < 0.0001) in distinguishing DPN-M from nonmelanoma cases. Overall diagnostic accuracy improved, mostly driven by a 16% increase in accurate diagnosis of DPN-M. However, in two cases, the inclusion of genomics shifted the majority vote from a correct to an incorrect diagnosis. A total of 218 diagnostic changes occurred between Survey 1 and 2. Among the changes, 132 votes moved toward the correct diagnosis while 86 moved toward an incorrect diagnosis. The shift in voting which resulted in improved diagnostic accuracy was statistically significant (p = 0.0001). CONCLUSIONS: NGS has the potential to improve interobserver agreement and diagnostic accuracy. We provide guidance on the utilization of bioinformatic data to maximize its benefits and improve diagnostic accuracy and interobserver agreement.
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 | 0,002 |
| 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 ».