MétaCan
Menu
Retour à la cohorte
Enregistrement W2007586852 · doi:10.6000/1927-7229.2013.02.03.2

Hepatocellular Carcinoma Microvessel Density Quantitation with Image Analysis: Correlation with Prognosis

2013· article· en· W2007586852 sur OpenAlexvenueno aff
Amr Mohamed, Shelley Caltharp, Jason Wang, C. M. S. Cohen, Alton B. Farris

Notice bibliographique

RevueJournal of Analytical Oncology · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHepatocellular carcinomaMicrovesselMedicineCorrelationPathologyInternal medicineCarcinomaGastroenterologyImmunohistochemistryMathematics

Résumé

récupéré en direct d'OpenAlex

Hepatocellular carcinoma (HCC) has a progression considered to be dependent on angiogenesis. Intratumoral microvessel density (MVD) has been associated with metastasis and recurrence risk; however, selection bias, counting errors, and lack of standardized assessment criteria have limited the clinical utility of angiogenesis quantitation. Therefore, we analyzed HCC angiogenesis with image cytometry using different methods and determined the correlation to prognosis. Tissue microarrays with 135 HCCs were CD31 and CD34 immunostained and quantitated with the Dako ACIS III Image Cytometer labeling index (LI) and Aperio Scanscope XT and MVD algorithm. LI and MVD were compared to each other and to pathologic features and prognosis (recurrence free survival). Using median cutoffs of microvesselquantitation, survival curve analysis showed a statistically significant difference between CD31 MVD algorithm measurement and prognosis (low MVD mean survival = 56.6 months and high MVD mean = 26.5 months; Log-Rank P = 0.0076). Survival was not significantly related to CD31 LI, CD34 LI or CD34 MVD. By linear regression, a direct correlation was observed between CD31 and CD34 using MVD (r = 0.45, P <0.0001), between CD31 MVD and CD31 LI (r = 0.55, P < 0.0001), and between CD31 LI and CD34 LI (r = 0.51, P < 0.0001). In addition, there was a weak but statistically significant relationship between CD31 MVD and CD34 LI (r = 0.25, P = 0.0050). Together, this data confirms previous studies linking angiogenesis to disease prognosis and suggests the utility of MVD image analysis algorithms.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,289
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Analytical OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207