Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase
Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen...
Ausführliche Beschreibung
Autor*in: |
Stoll, Alexandra K. [verfasserIn] |
---|
Format: |
E-Artikel |
---|---|
Sprache: |
Deutsch |
Erschienen: |
2024 |
---|
Schlagwörter: |
---|
Anmerkung: |
© The Author(s) 2024 |
---|
Übergeordnetes Werk: |
Enthalten in: Der Pathologe - Berlin : Springer, 1994, 45(2024), 2 vom: 29. Jan., Seite 106-114 |
---|---|
Übergeordnetes Werk: |
volume:45 ; year:2024 ; number:2 ; day:29 ; month:01 ; pages:106-114 |
Links: |
---|
DOI / URN: |
10.1007/s00292-024-01305-w |
---|
Katalog-ID: |
SPR054942772 |
---|
LEADER | 01000naa a22002652 4500 | ||
---|---|---|---|
001 | SPR054942772 | ||
003 | DE-627 | ||
005 | 20240229064643.0 | ||
007 | cr uuu---uuuuu | ||
008 | 240229s2024 xx |||||o 00| ||ger c | ||
024 | 7 | |a 10.1007/s00292-024-01305-w |2 doi | |
035 | |a (DE-627)SPR054942772 | ||
035 | |a (SPR)s00292-024-01305-w-e | ||
040 | |a DE-627 |b ger |c DE-627 |e rakwb | ||
041 | |a ger | ||
100 | 1 | |a Stoll, Alexandra K. |e verfasserin |4 aut | |
245 | 1 | 0 | |a Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase |
264 | 1 | |c 2024 | |
336 | |a Text |b txt |2 rdacontent | ||
337 | |a Computermedien |b c |2 rdamedia | ||
338 | |a Online-Ressource |b cr |2 rdacarrier | ||
500 | |a © The Author(s) 2024 | ||
520 | |a Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. | ||
650 | 4 | |a Urothelial carcinoma |7 (dpeaa)DE-He213 | |
650 | 4 | |a Artificial intelligence |7 (dpeaa)DE-He213 | |
650 | 4 | |a Molecular subtypes |7 (dpeaa)DE-He213 | |
650 | 4 | |a Molecular heterogeneity |7 (dpeaa)DE-He213 | |
650 | 4 | |a The Cancer Genome Atlas |7 (dpeaa)DE-He213 | |
700 | 1 | |a Koll, Florestan J. |4 aut | |
700 | 1 | |a Eckstein, Markus |4 aut | |
700 | 1 | |a Reis, Henning |4 aut | |
700 | 1 | |a Flinner, Nadine |4 aut | |
700 | 1 | |a Wild, Peter J. |4 aut | |
700 | 1 | |a Triesch, Jochen |4 aut | |
773 | 0 | 8 | |i Enthalten in |t Der Pathologe |d Berlin : Springer, 1994 |g 45(2024), 2 vom: 29. Jan., Seite 106-114 |w (DE-627)25463866X |w (DE-600)1462980-X |x 1432-1963 |7 nnns |
773 | 1 | 8 | |g volume:45 |g year:2024 |g number:2 |g day:29 |g month:01 |g pages:106-114 |
856 | 4 | 0 | |u https://dx.doi.org/10.1007/s00292-024-01305-w |z kostenfrei |3 Volltext |
912 | |a GBV_USEFLAG_A | ||
912 | |a SYSFLAG_A | ||
912 | |a GBV_SPRINGER | ||
912 | |a GBV_ILN_60 | ||
912 | |a GBV_ILN_65 | ||
912 | |a GBV_ILN_120 | ||
912 | |a GBV_ILN_267 | ||
951 | |a AR | ||
952 | |d 45 |j 2024 |e 2 |b 29 |c 01 |h 106-114 |
author_variant |
a k s ak aks f j k fj fjk m e me h r hr n f nf p j w pj pjw j t jt |
---|---|
matchkey_str |
article:14321963:2024----::itmlklrkasfktodsrtekri |
hierarchy_sort_str |
2024 |
publishDate |
2024 |
allfields |
10.1007/s00292-024-01305-w doi (DE-627)SPR054942772 (SPR)s00292-024-01305-w-e DE-627 ger DE-627 rakwb ger Stoll, Alexandra K. verfasserin aut Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier © The Author(s) 2024 Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. Urothelial carcinoma (dpeaa)DE-He213 Artificial intelligence (dpeaa)DE-He213 Molecular subtypes (dpeaa)DE-He213 Molecular heterogeneity (dpeaa)DE-He213 The Cancer Genome Atlas (dpeaa)DE-He213 Koll, Florestan J. aut Eckstein, Markus aut Reis, Henning aut Flinner, Nadine aut Wild, Peter J. aut Triesch, Jochen aut Enthalten in Der Pathologe Berlin : Springer, 1994 45(2024), 2 vom: 29. Jan., Seite 106-114 (DE-627)25463866X (DE-600)1462980-X 1432-1963 nnns volume:45 year:2024 number:2 day:29 month:01 pages:106-114 https://dx.doi.org/10.1007/s00292-024-01305-w kostenfrei Volltext GBV_USEFLAG_A SYSFLAG_A GBV_SPRINGER GBV_ILN_60 GBV_ILN_65 GBV_ILN_120 GBV_ILN_267 AR 45 2024 2 29 01 106-114 |
spelling |
10.1007/s00292-024-01305-w doi (DE-627)SPR054942772 (SPR)s00292-024-01305-w-e DE-627 ger DE-627 rakwb ger Stoll, Alexandra K. verfasserin aut Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier © The Author(s) 2024 Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. Urothelial carcinoma (dpeaa)DE-He213 Artificial intelligence (dpeaa)DE-He213 Molecular subtypes (dpeaa)DE-He213 Molecular heterogeneity (dpeaa)DE-He213 The Cancer Genome Atlas (dpeaa)DE-He213 Koll, Florestan J. aut Eckstein, Markus aut Reis, Henning aut Flinner, Nadine aut Wild, Peter J. aut Triesch, Jochen aut Enthalten in Der Pathologe Berlin : Springer, 1994 45(2024), 2 vom: 29. Jan., Seite 106-114 (DE-627)25463866X (DE-600)1462980-X 1432-1963 nnns volume:45 year:2024 number:2 day:29 month:01 pages:106-114 https://dx.doi.org/10.1007/s00292-024-01305-w kostenfrei Volltext GBV_USEFLAG_A SYSFLAG_A GBV_SPRINGER GBV_ILN_60 GBV_ILN_65 GBV_ILN_120 GBV_ILN_267 AR 45 2024 2 29 01 106-114 |
allfields_unstemmed |
10.1007/s00292-024-01305-w doi (DE-627)SPR054942772 (SPR)s00292-024-01305-w-e DE-627 ger DE-627 rakwb ger Stoll, Alexandra K. verfasserin aut Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier © The Author(s) 2024 Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. Urothelial carcinoma (dpeaa)DE-He213 Artificial intelligence (dpeaa)DE-He213 Molecular subtypes (dpeaa)DE-He213 Molecular heterogeneity (dpeaa)DE-He213 The Cancer Genome Atlas (dpeaa)DE-He213 Koll, Florestan J. aut Eckstein, Markus aut Reis, Henning aut Flinner, Nadine aut Wild, Peter J. aut Triesch, Jochen aut Enthalten in Der Pathologe Berlin : Springer, 1994 45(2024), 2 vom: 29. Jan., Seite 106-114 (DE-627)25463866X (DE-600)1462980-X 1432-1963 nnns volume:45 year:2024 number:2 day:29 month:01 pages:106-114 https://dx.doi.org/10.1007/s00292-024-01305-w kostenfrei Volltext GBV_USEFLAG_A SYSFLAG_A GBV_SPRINGER GBV_ILN_60 GBV_ILN_65 GBV_ILN_120 GBV_ILN_267 AR 45 2024 2 29 01 106-114 |
allfieldsGer |
10.1007/s00292-024-01305-w doi (DE-627)SPR054942772 (SPR)s00292-024-01305-w-e DE-627 ger DE-627 rakwb ger Stoll, Alexandra K. verfasserin aut Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier © The Author(s) 2024 Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. Urothelial carcinoma (dpeaa)DE-He213 Artificial intelligence (dpeaa)DE-He213 Molecular subtypes (dpeaa)DE-He213 Molecular heterogeneity (dpeaa)DE-He213 The Cancer Genome Atlas (dpeaa)DE-He213 Koll, Florestan J. aut Eckstein, Markus aut Reis, Henning aut Flinner, Nadine aut Wild, Peter J. aut Triesch, Jochen aut Enthalten in Der Pathologe Berlin : Springer, 1994 45(2024), 2 vom: 29. Jan., Seite 106-114 (DE-627)25463866X (DE-600)1462980-X 1432-1963 nnns volume:45 year:2024 number:2 day:29 month:01 pages:106-114 https://dx.doi.org/10.1007/s00292-024-01305-w kostenfrei Volltext GBV_USEFLAG_A SYSFLAG_A GBV_SPRINGER GBV_ILN_60 GBV_ILN_65 GBV_ILN_120 GBV_ILN_267 AR 45 2024 2 29 01 106-114 |
allfieldsSound |
10.1007/s00292-024-01305-w doi (DE-627)SPR054942772 (SPR)s00292-024-01305-w-e DE-627 ger DE-627 rakwb ger Stoll, Alexandra K. verfasserin aut Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase 2024 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier © The Author(s) 2024 Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. Urothelial carcinoma (dpeaa)DE-He213 Artificial intelligence (dpeaa)DE-He213 Molecular subtypes (dpeaa)DE-He213 Molecular heterogeneity (dpeaa)DE-He213 The Cancer Genome Atlas (dpeaa)DE-He213 Koll, Florestan J. aut Eckstein, Markus aut Reis, Henning aut Flinner, Nadine aut Wild, Peter J. aut Triesch, Jochen aut Enthalten in Der Pathologe Berlin : Springer, 1994 45(2024), 2 vom: 29. Jan., Seite 106-114 (DE-627)25463866X (DE-600)1462980-X 1432-1963 nnns volume:45 year:2024 number:2 day:29 month:01 pages:106-114 https://dx.doi.org/10.1007/s00292-024-01305-w kostenfrei Volltext GBV_USEFLAG_A SYSFLAG_A GBV_SPRINGER GBV_ILN_60 GBV_ILN_65 GBV_ILN_120 GBV_ILN_267 AR 45 2024 2 29 01 106-114 |
language |
German |
source |
Enthalten in Der Pathologe 45(2024), 2 vom: 29. Jan., Seite 106-114 volume:45 year:2024 number:2 day:29 month:01 pages:106-114 |
sourceStr |
Enthalten in Der Pathologe 45(2024), 2 vom: 29. Jan., Seite 106-114 volume:45 year:2024 number:2 day:29 month:01 pages:106-114 |
format_phy_str_mv |
Article |
institution |
findex.gbv.de |
topic_facet |
Urothelial carcinoma Artificial intelligence Molecular subtypes Molecular heterogeneity The Cancer Genome Atlas |
isfreeaccess_bool |
true |
container_title |
Der Pathologe |
authorswithroles_txt_mv |
Stoll, Alexandra K. @@aut@@ Koll, Florestan J. @@aut@@ Eckstein, Markus @@aut@@ Reis, Henning @@aut@@ Flinner, Nadine @@aut@@ Wild, Peter J. @@aut@@ Triesch, Jochen @@aut@@ |
publishDateDaySort_date |
2024-01-29T00:00:00Z |
hierarchy_top_id |
25463866X |
id |
SPR054942772 |
language_de |
deutsch |
fullrecord |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000naa a22002652 4500</leader><controlfield tag="001">SPR054942772</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20240229064643.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240229s2024 xx |||||o 00| ||ger c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.1007/s00292-024-01305-w</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)SPR054942772</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(SPR)s00292-024-01305-w-e</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Stoll, Alexandra K.</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2024</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">© The Author(s) 2024</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Urothelial carcinoma</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Molecular subtypes</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Molecular heterogeneity</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">The Cancer Genome Atlas</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Koll, Florestan J.</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Eckstein, Markus</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Reis, Henning</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Flinner, Nadine</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Wild, Peter J.</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Triesch, Jochen</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">Enthalten in</subfield><subfield code="t">Der Pathologe</subfield><subfield code="d">Berlin : Springer, 1994</subfield><subfield code="g">45(2024), 2 vom: 29. Jan., Seite 106-114</subfield><subfield code="w">(DE-627)25463866X</subfield><subfield code="w">(DE-600)1462980-X</subfield><subfield code="x">1432-1963</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:45</subfield><subfield code="g">year:2024</subfield><subfield code="g">number:2</subfield><subfield code="g">day:29</subfield><subfield code="g">month:01</subfield><subfield code="g">pages:106-114</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://dx.doi.org/10.1007/s00292-024-01305-w</subfield><subfield code="z">kostenfrei</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_SPRINGER</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_60</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_65</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_120</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_267</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">45</subfield><subfield code="j">2024</subfield><subfield code="e">2</subfield><subfield code="b">29</subfield><subfield code="c">01</subfield><subfield code="h">106-114</subfield></datafield></record></collection>
|
author |
Stoll, Alexandra K. |
spellingShingle |
Stoll, Alexandra K. misc Urothelial carcinoma misc Artificial intelligence misc Molecular subtypes misc Molecular heterogeneity misc The Cancer Genome Atlas Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase |
authorStr |
Stoll, Alexandra K. |
ppnlink_with_tag_str_mv |
@@773@@(DE-627)25463866X |
format |
electronic Article |
delete_txt_mv |
keep |
author_role |
aut aut aut aut aut aut aut |
collection |
springer |
remote_str |
true |
illustrated |
Not Illustrated |
issn |
1432-1963 |
topic_title |
Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase Urothelial carcinoma (dpeaa)DE-He213 Artificial intelligence (dpeaa)DE-He213 Molecular subtypes (dpeaa)DE-He213 Molecular heterogeneity (dpeaa)DE-He213 The Cancer Genome Atlas (dpeaa)DE-He213 |
topic |
misc Urothelial carcinoma misc Artificial intelligence misc Molecular subtypes misc Molecular heterogeneity misc The Cancer Genome Atlas |
topic_unstemmed |
misc Urothelial carcinoma misc Artificial intelligence misc Molecular subtypes misc Molecular heterogeneity misc The Cancer Genome Atlas |
topic_browse |
misc Urothelial carcinoma misc Artificial intelligence misc Molecular subtypes misc Molecular heterogeneity misc The Cancer Genome Atlas |
format_facet |
Elektronische Aufsätze Aufsätze Elektronische Ressource |
format_main_str_mv |
Text Zeitschrift/Artikel |
carriertype_str_mv |
cr |
hierarchy_parent_title |
Der Pathologe |
hierarchy_parent_id |
25463866X |
hierarchy_top_title |
Der Pathologe |
isfreeaccess_txt |
true |
familylinks_str_mv |
(DE-627)25463866X (DE-600)1462980-X |
title |
Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase |
ctrlnum |
(DE-627)SPR054942772 (SPR)s00292-024-01305-w-e |
title_full |
Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase |
author_sort |
Stoll, Alexandra K. |
journal |
Der Pathologe |
journalStr |
Der Pathologe |
lang_code |
ger |
isOA_bool |
true |
recordtype |
marc |
publishDateSort |
2024 |
contenttype_str_mv |
txt |
container_start_page |
106 |
author_browse |
Stoll, Alexandra K. Koll, Florestan J. Eckstein, Markus Reis, Henning Flinner, Nadine Wild, Peter J. Triesch, Jochen |
container_volume |
45 |
format_se |
Elektronische Aufsätze |
author-letter |
Stoll, Alexandra K. |
doi_str_mv |
10.1007/s00292-024-01305-w |
title_sort |
histomolekulare klassifikation des urothelkarzinoms der harnblase |
title_auth |
Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase |
abstract |
Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. © The Author(s) 2024 |
abstractGer |
Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. © The Author(s) 2024 |
abstract_unstemmed |
Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern. © The Author(s) 2024 |
collection_details |
GBV_USEFLAG_A SYSFLAG_A GBV_SPRINGER GBV_ILN_60 GBV_ILN_65 GBV_ILN_120 GBV_ILN_267 |
container_issue |
2 |
title_short |
Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase |
url |
https://dx.doi.org/10.1007/s00292-024-01305-w |
remote_bool |
true |
author2 |
Koll, Florestan J. Eckstein, Markus Reis, Henning Flinner, Nadine Wild, Peter J. Triesch, Jochen |
author2Str |
Koll, Florestan J. Eckstein, Markus Reis, Henning Flinner, Nadine Wild, Peter J. Triesch, Jochen |
ppnlink |
25463866X |
mediatype_str_mv |
c |
isOA_txt |
true |
hochschulschrift_bool |
false |
doi_str |
10.1007/s00292-024-01305-w |
up_date |
2024-07-04T03:35:40.482Z |
_version_ |
1803617976172150784 |
fullrecord_marcxml |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000naa a22002652 4500</leader><controlfield tag="001">SPR054942772</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20240229064643.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240229s2024 xx |||||o 00| ||ger c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.1007/s00292-024-01305-w</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)SPR054942772</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(SPR)s00292-024-01305-w-e</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Stoll, Alexandra K.</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Histomolekulare Klassifikation des Urothelkarzinoms der Harnblase</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2024</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">© The Author(s) 2024</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Hintergrund Muskelinvasive Urothelkarzinome (MIUC) der Harnblase repräsentieren ca. 25 % aller Urothelkarzinome (UC) und weisen eine 5‑Jahres-Überlebensrate von ca. 50 % auf. Bisher haben Erkenntnisse aus der molekularen Klassifikation der MIUCs noch keinen Einfluss auf die klinische Praxis genommen. Ziel Ziel der Arbeit ist die Vorhersage molekularer Konsensus-Subtypen in MIUCs mittels Künstlicher Intelligenz (KI) anhand histologischer Hämatoxylin-Eosin(HE)-Schnitte. Material und Methoden Durchgeführt wurde ein pathologisches Review und die Annotation von Tumorarealen in der Bladder-Cancer(BLCA)-Kohorte (N = 412) des „The Cancer Genome Atlas“ (TCGA) und der BLCA-Kohorte (N = 181) des Dr. Senckenbergischen Instituts für Pathologie (SIP). Anhand der annotierten Histomorphologie zur Vorhersage molekularer Subtypen wurde ein KI-Modell trainiert. Ergebnisse In einer 5fachen Kreuzvalidierung mit TCGA-Fällen (N = 274), internem TCGA-Testset (N = 18) und externem SIP-Testset (N = 27) erreichten wir durchschnittliche Werte der „area under the receiver operating characteristic curve“ (AUROC) von jeweils 0,73, 0,8 und 0,75 zur Klassifikation der verwendeten molekularen Subtypen „luminal“, „basal/squamous“ und „stroma-rich“. Durch Training auf Korrelationen zu einzelnen molekularen Subtypen statt auf eine Subtypzuordnung pro Fall konnte die KI-Vorhersage von Subtypen signifikant verbessert werden. Diskussion Nachfolgestudien mit RNA-Extraktion aus verschiedenen Bereichen KI-vorhergesagter molekularer Heterogenität könnten molekulare Klassifikationen und damit die darauf trainierten KI-Modelle verbessern.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Urothelial carcinoma</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Molecular subtypes</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Molecular heterogeneity</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">The Cancer Genome Atlas</subfield><subfield code="7">(dpeaa)DE-He213</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Koll, Florestan J.</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Eckstein, Markus</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Reis, Henning</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Flinner, Nadine</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Wild, Peter J.</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Triesch, Jochen</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">Enthalten in</subfield><subfield code="t">Der Pathologe</subfield><subfield code="d">Berlin : Springer, 1994</subfield><subfield code="g">45(2024), 2 vom: 29. Jan., Seite 106-114</subfield><subfield code="w">(DE-627)25463866X</subfield><subfield code="w">(DE-600)1462980-X</subfield><subfield code="x">1432-1963</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:45</subfield><subfield code="g">year:2024</subfield><subfield code="g">number:2</subfield><subfield code="g">day:29</subfield><subfield code="g">month:01</subfield><subfield code="g">pages:106-114</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://dx.doi.org/10.1007/s00292-024-01305-w</subfield><subfield code="z">kostenfrei</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_SPRINGER</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_60</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_65</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_120</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_267</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">45</subfield><subfield code="j">2024</subfield><subfield code="e">2</subfield><subfield code="b">29</subfield><subfield code="c">01</subfield><subfield code="h">106-114</subfield></datafield></record></collection>
|
score |
7.397662 |