BIOP02-148: Table 1 코호트 특성표 5암종 + participant flow

experiments/crosscancer/table1/BIOP02-148_FINDINGS.md

@@ -0,0 +1,82 @@
+# BIOP02-148 — Table 1(코호트 특성표) 5암종
+
+`claim_level: descriptive`(가설 검정 아님, 사전등록 대상 없음) · jamie, 2026-08-20
+
+## 범위
+
+티켓 본문 그대로 전체 범위(축소 옵션 미사용) — 5암종(유방·폐·대장·위·두경부) × 환자수/
+슬라이드수/train·holdout/나이/성별/stage/grade/tissue source site 수 + 엔드포인트별
+유병률·결측·assay source + participant flow. 신규 모델링·통계 검정 없음 — **전부 이미 커밋된
+정본 파일에서 집계만** 했다(가설 검정이 아니므로 결과-보기-전 사전등록은 생략, 대신 "숫자는
+전부 기존 파일 인용, 재계산 없음"을 아래 산출물 자체에 명시).
+
+## 산출물
+
+- `fetch_table1_clinical.py` → `table1_clinical.json` — age/sex/stage/grade/TSS site
+  (cBioPortal PATIENT+SAMPLE level, 5개 study). **정정 1건**: GRADE·TISSUE_SOURCE_SITE_CODE는
+  PATIENT-level이 아니라 SAMPLE-level 속성임을 최초 실행에서 0건으로 확인 후 발견(팀 기존
+  `sh_fetch_labels.py`가 이미 같은 패턴 사용 — 뒤늦게 확인). 재실행 후 정상 값 확보.
+- `build_table1.py` → `table1_master.json`(정본) + `TABLE1.md` + `PARTICIPANT_FLOW.md` —
+  기존 `patient_labels.csv`/`split.csv`/`tcga_brca_manifest.csv`/`mil_cost_results.json`에서
+  집계, 신규 라벨 없음.
+- `check_table1_numbers.py` — DoD "결과 파일과 1:1 대조" 자체 검증(아래 결과 참조).
+
+## 핵심 발견 — 결과 파일과의 대조
+
+`check_table1_numbers.py` 실행 결과 **불일치 0건**:
+- Table 1b의 holdout n_pos·n_holdout 6개 암종×엔드포인트 전부 `mil_cost_results.json`(정본)과
+  정확히 일치.
+- **`manuscript/sections/02_results.md`의 R2 표(축별 홀드아웃 양성 표본 6행)와 R1 prose가
+  인용한 헤드라인 n_pos(폐 LUSC 153·두경부 HPV 26·두경부 grade 41) 전부 Table 1과 1:1
+  일치** — 이게 DoD의 "본문·표 R1/R2와 분모 불일치 0건" 항목이다. 원고가 이미 실측 수치를
+  쓰고 있었고 이번 Table 1이 그걸 독립적으로 재확인한 셈이다(원고를 보고 베낀 게 아니라
+  `mil_cost_results.json`에서 각자 계산 → 우연 일치가 아니라 같은 정본을 공유).
+
+## 결과 요약
+
+Table 1 전문 = `TABLE1.md`, 참여자 흐름 = `PARTICIPANT_FLOW.md`. 주목할 점만:
+
+1. **grade 커버리지가 암종마다 극단적으로 다르다.** 위(440/440, 100%)·두경부(519/523, 99%)는
+   완비, 유방·폐·대장은 **0%**(cBioPortal `GRADE` 속성 자체가 이 3개 study엔 없음 — 체리피킹
+   아니라 실측 확인, BIOP02-140에서 폐도 같은 걸 이미 확인했음). 이걸 Table 1에 그대로
+   드러내는 게 "결측을 숨기지 않는다"는 프로젝트 원칙에 맞다고 판단해 각주 없이 표 자체에
+   0.0%로 명시했다.
+2. **PAM50은 이진 유병률 정의가 안 된다.** 초안에서 "positive=Normal-like 제외"로 억지로
+   이진화했더니 100%가 나와(정의상 당연) 무의미했다 — 5-class 분포(LumB 321·LumA 243·
+   Basal 198·HER2 120)로 바꿔 표기했다. 이 실수는 결과를 보기 전에 잡았다(집계 스크립트
+   개발 중 이상값으로 발견, 발표용 숫자로 나가기 전).
+3. **holdout denominator가 같은 암종 안에서도 엔드포인트마다 다르다**(티켓이 걱정한
+   "endpoint denominator audit" 그대로) — 위는 lauren_diffuse n=58 vs msi_h n=107, 같은
+   GASTRIC holdout 132명 중 라벨 있는 하위집합만 쓰기 때문. Table 1b에 암종별이 아니라
+   엔드포인트별 행으로 분리해 이 차이가 보이게 했다.
+4. **폐 KRAS-G12C 관련 교차확인**: `LUNG_NSCLC/full/SUBTYPE_BASELINE_NOTE.md`(2026-07-14,
+   기존 산출물)가 이미 histology-only baseline 0.793(n_pos 15/315)을 봉인해뒀다는 걸 이번에
+   확인했다 — R1 prose의 "조직형만으로 예측한 기준선 0.793"의 정확한 출처다. 방금 병합
+   대기 중인 BIOP02-140(jamie, PR #136)이 이 기준선에 purity/stage/site를 더한 확장판
+   (0.802)이라 서로 다른 카드지만 같은 결론(KRAS는 histology 편중)을 독립적으로 강화한다 —
+   참고로만 남긴다, BIOP02-148 자체 스코프는 아님.
+
+## Table 1 배치 판단 (DoD 항목)
+
+**본문(main text) 권장.** TRIPOD+AI 13b는 baseline 특성표를 본문에 두는 걸 표준으로 삼고,
+`02_results.md` R1 앞에 두는 게 자연스럽다(R0가 "다섯 암종 약 열다섯 endpoint"를 서술하는데
+Table 1이 그 숫자의 근거가 됨). 다만 **원고 prose(`02_results.md`/`03_methods.md`) 직접
+수정은 이번 PR에서 안 했다** — 다른 분들이 이미 쓰고 있는 살아있는 원고라 Owner≠Reviewer
+취지상 배치·문구는 리뷰에서 합의 후 반영하는 게 맞다고 판단. 지금은 `experiments/crosscancer/
+table1/`에 독립 파일로 두고, 리뷰 통과 후 원고 편입을 별도 커밋으로 제안.
+
+## DoD 체크
+
+- [x] Table 1 초안 (배치 판단 포함 — 위)
+- [x] 모든 수치가 커밋된 결과 파일과 1:1 대조 — `check_table1_numbers.py`, 불일치 0건
+- [x] 본문·표 R1/R2와 분모 불일치 0건 — 위 스크립트로 확인(6/6 R2행 + 3개 R1 인용 전부 일치)
+- [x] participant flow — `PARTICIPANT_FLOW.md`
+- [ ] **독립 리뷰: 박세진(sezinie000) 또는 지용기** — 아직
+
+## 스킵/후속
+
+- 유방 er/pr/her2/pam50은 holdout(val+test) 분리 없이 코호트 전체로 표기(Table 1b에 명시) —
+  Paper A/B 코드가 CPTAC 외부검증을 별도로 쓰고 이 매니페스트 자체엔 holdout-전용 예측치가
+  없어서다. 필요하면 후속으로 holdout만 분리한 값을 추가.
+- assay-source 텍스트는 각 fetch 스크립트 주석·문서에서 인용(신규 조사 아님) — 표기가 틀리면
+  리뷰에서 정정 부탁.

experiments/crosscancer/table1/PARTICIPANT_FLOW.md

@@ -0,0 +1,13 @@
+# Participant flow — 5암종 (TRIPOD+AI 13b 짝)
+
+`n식별` = patient_labels.csv/manifest에 라벨이 조인된 환자 수(=GDC 매니페스트에서 H&E 슬라이드+임상데이터 결합 가능 subset, 이미 필터링된 상태 — raw GDC 전체 대비 제외 사유는 각 코호트 원 매니페스트 문서 참조). 여기서부터 아래로: 라벨 결측 없는 환자 → train/holdout 분리.
+
+| 암종 | n(라벨 조인, 시작점) | n(슬라이드 보유) | n(train) | n(holdout=val+test) |
+|---|---|---|---|---|
+| 유방 | 1010 | 1010 | 707 | 303 |
+| 폐 | 1050 | 1026 | 735 | 315 |
+| 대장 | 534 | 523 | 374 | 160 |
+| 위 | 440 | 439 | 308 | 132 |
+| 두경부 | 523 | 468 | 366 | 157 |
+
+엔드포인트별 최종 분석 대상(holdout denominator)은 Table 1b 참조 — 암종 안에서도 엔드포인트마다 라벨 결측 패턴이 달라 holdout n이 다르다(예: 위 lauren_diffuse n=58 vs msi_h n=107, 같은 GASTRIC holdout 132명 중 라벨 있는 하위집합만).

experiments/crosscancer/table1/TABLE1.md

@@ -0,0 +1,31 @@
+# Table 1 — 코호트 baseline 특성 (5암종)
+
+`claim_level: descriptive` — 사전등록 대상 없음(가설 검정 아님). 모든 수치는 `table1_master.json`(정본)에서 그대로 인용, 이 문서에서 재계산 없음.
+
+| 암종 | N 환자 | N 슬라이드 | Train/Val/Test | 나이 중앙값(IQR) | 여성 % | Stage I | II | III | IV | missing | Grade 커버리지 | TSS site 수 |
+|---|---|---|---|---|---|---|---|---|---|---|---|---|
+| 유방 | 1010 | 1010 | 707/152/151 | 58.5 (49–68, n=996) | 99% | 167 (17%) | 569 (56%) | 227 (22%) | 16 (2%) | 31 (3%) | 0/1010 (0.0%) | 37 |
+| 폐 | 1050 | 1026 | 735/158/157 | 67.0 (60–73, n=968) | 40% | 513 (49%) | 280 (27%) | 166 (16%) | 34 (3%) | 57 (5%) | 0/1050 (0.0%) | 69 |
+| 대장 | 534 | 523 | 374/80/80 | 67.0 (57–75, n=532) | 48% | 95 (18%) | 201 (38%) | 151 (28%) | 73 (14%) | 14 (3%) | 0/534 (0.0%) | 37 |
+| 위 | 440 | 439 | 308/66/66 | 67.0 (58–73, n=436) | 35% | 58 (13%) | 131 (30%) | 188 (43%) | 44 (10%) | 19 (4%) | 440/440 (100.0%) | 22 |
+| 두경부 | 523 | 468 | 366/79/78 | 61.0 (53–68, n=522) | 27% | 27 (5%) | 77 (15%) | 80 (15%) | 269 (51%) | 70 (13%) | 519/523 (99.2%) | 28 |
+
+## Table 1b — 엔드포인트별 유병률·결측 (사전등록 임계 n_pos≥25 대비)
+
+| 암종 | 엔드포인트 | assay source | 전체 코호트 라벨 결측 | 유병률(코호트 전체) | holdout n(denominator) | holdout n_pos | n_pos≥25? |
+|---|---|---|---|---|---|---|---|
+| 유방 | er_status | IHC(임상 병리검사) | 0.0% | 782/1010 (77%) | 1010 | 782 | n/a(전체 코호트 표기, holdout 분리 미실시) |
+| 유방 | pr_status | IHC(임상 병리검사) | 0.5% | 672/1005 (67%) | 1010 | 672 | n/a(전체 코호트 표기, holdout 분리 미실시) |
+| 유방 | her2_status | IHC/FISH(임상 병리검사, BIOP02-49 QC 완료) | 30.9% | 159/698 (23%) | 1010 | 159 | n/a(전체 코호트 표기, holdout 분리 미실시) |
+| 유방 | pam50 | 유전자발현 분류기(계산값, tcga_brca_pam50_computed.csv) | 12.7% | LumB=321; LumA=243; Basal=198; HER2=120 | 1010 | — | n/a(다중클래스, 이진 유병률 미정의) |
+| 폐 | egfr_activating | 체세포변이 콜(MAF, WES-derived) | 0.0% | 61/1050 (6%) | 271 | 15 | ⚠️ exploratory(<25) |
+| 폐 | kras_g12c | 체세포변이 콜(MAF, WES-derived) | 0.0% | 70/1050 (7%) | 271 | 14 | ⚠️ exploratory(<25) |
+| 폐 | histology_lusc | 병리 진단(조직형, 임상) | 0.0% | 484/1050 (46%) | 271 | 153 | ✅ |
+| 대장 | braf_v600e | 체세포변이 콜(MAF, WES-derived) | 0.0% | 48/534 (9%) | 151 | 15 | ⚠️ exploratory(<25) |
+| 위 | msi_h | MSIsensor score≥3.5(NGS-derived, SUBTYPE STAD_MSI 교차확인) | 0.5% | 82/438 (19%) | 107 | 24 | ⚠️ exploratory(<25) |
+| 위 | erbb2_amp | CNA(GISTIC) 증폭 콜 | 0.5% | 58/438 (13%) | 107 | 14 | ⚠️ exploratory(<25) |
+| 위 | lauren_diffuse | 병리 조직분류(ICD_O_3_HISTOLOGY, 임상) | 61.4% | 83/170 (49%) | 58 | 31 | ✅ |
+| 위 | ebv | TCGA 분자아형(SUBTYPE, 바이러스 검출 복합판정) | 13.0% | 30/383 (8%) | 89 | 7 | ⚠️ exploratory(<25) |
+| 두경부 | hpv_pos | TCGA 분자아형(SUBTYPE HNSC_HPV+, p16+바이러스검출 복합판정) | 6.9% | 72/487 (15%) | 135 | 26 | ✅ |
+| 두경부 | egfr_amp | CNA(GISTIC) 증폭 콜 | 1.1% | 54/517 (10%) | 152 | 17 | ⚠️ exploratory(<25) |
+| 두경부 | grade_high | 병리 등급(SAMPLE-level GRADE, 임상) | 4.2% | 130/501 (26%) | 147 | 41 | ✅ |