Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Prognostic refinement of NSMP high-risk endometrial cancers using oestrogen receptor immunohistochemistry

Autor: Vermij, L., Jobsen, J.J., Leon-Castillo, A., Brinkhuis, M., Roothaan, S., Powell, M.E., Boer, S.M. de, Khaw, P., Mileshkin, L.R., Fyles, A., Leary, A., Genestie, C., Jnrgenliemk-Schulz, I.M., Crosbie, E.J., Mackay, H.J., Nijman, H.W., Nout, R.A., Smit, V.T.H.B.M., Creutzberg, C.L., Horeweg, N., Bosse, T., TransPORTEC Consortium

Publikováno v: Vermij, L, Jobsen, J J, León-Castillo, A, Brinkhuis, M, Roothaan, S, Powell, M E, De boer, S M, Khaw, P, Mileshkin, L R, Fyles, A, Leary, A, Genestie, C, Jürgenliemk-Schulz, I M, Crosbie, E J, Mackay, H J, Nijman, H W, Nout, R A, Smit, V T H B M, Creutzberg, C L, Horeweg, N, Bosse, T & De boer, S M 2023, ' Prognostic refinement of NSMP high-risk endometrial cancers using oestrogen receptor immunohistochemistry ', British Journal of Cancer . https://doi.org/10.1038/s41416-023-02141-0

Background Risk-assessment of endometrial cancer (EC) is based on clinicopathological factors and molecular subgroup. It is unclear whether adding hormone receptor expression, L1CAM expression or CTNNB1 status yields prognostic refinement. Methods Pa

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::0bad7b755656c5121f11cc6c3a4a7c4f
https://hdl.handle.net/1887/3630351

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Combining Supervised and Unsupervised Machine Learning Methods for Phenotypic Functional Genomics Screening

Autor: Omta, W., van Heesbeen, R, Shen, Z., de Nobel, J., van der Velden, L., Medema, R., Siebes, A., Feelders, A., Brinkkemper, S., Klumperman, J., Spruit, M., Brinkhuis, M., Egan, D.

There has been an increase in the use of machine learning and artificial intelligence (AI) for the analysis of image-based cellular screens. The accuracy of these analyses, however, is greatly dependent on the quality of the training sets used for bu

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=od_______101::f6f244d691bbcebd73ba38a5e47b35c1
https://dspace.library.uu.nl/handle/1874/408106

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.