Development and evaluation of a robust algorithm for computer-assisted detection of sentinel lymph node micrometastases
Notice bibliographique
Résumé
AIMS: Increasing the sectioning rate for breast sentinel lymph nodes can increase the likelihood of detecting micrometastases. To make serial sectioning feasible, we have developed an algorithm for computer-assisted detection (CAD) with digitized lymph node sections. METHODS AND RESULTS: K-means clustering assigned image pixels to one of four areas in a colourspace (representing tumour, unstained background, counterstained background and microtomy artefacts). Four filters then removed 'false-positive' pixels from the tumour cluster. A set of 43 sections containing tumour (a total of 259 foci) and 59 sections negative for malignancy was defined by two pathologists, using light microscopy, and CAD was applied. For the clinically relevant task of identifying the largest focus in each section (micrometastasis in 22/43 sections), the sensitivity and specificity were 100%. Isolated tumour cells (ITCs) were identified in one slide initially considered to be negative. Identification of all 259 foci yielded sensitivities of 57.5% for ITCs (<0.200 mm), 89.5% for micrometastases, and 100% for larger metastases, with one false-positive. Reduced sensitivity was ascribed to variable staining. Nine additional metastases (<0.01-0.3 mm) that were not initially identified were detected by CAD. CONCLUSIONS: This algorithm is well suited to the task of sentinel lymph node evaluation and may enhance the detection of occult micrometastases.
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 | 0,001 | 0,000 |
| 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 ».