Virtual tissue microarrays: a novel and viable approach to optimizing tissue microarrays for biomarker research applied to ductal carcinoma <i>in situ</i>
Notice bibliographique
Résumé
AIMS: Tissue microarrays (TMAs) are effective tools for performing high-throughput standardization analyses of biomarkers, but evidence indicating the core number required to be representative of the whole tumour is lacking. Ductal carcinoma in situ (DCIS) is a non-obligate precursor of invasive breast cancer. The number and size of cores that can best represent a DCIS lesion are unknown. Rather than performing extensive experiments using several variants of physical TMAs, the aim of this study was to develop a 'virtual TMA' approach that is effective at optimizing biomarker discovery and validation. METHODS AND RESULTS: Whole DCIS sections from 95 patients were evaluated by immunohistochemistry for oestrogen receptor (ER), progesterone receptor (PgR), HER2, and Ki67. Histoscores were generated manually for ER, PgR, and HER2, as well as percentage positivity for Ki67. Slides were scanned using the FDA-approved Ariol SL50 Image Analysis system, and the virtual array (V-Array) module was used. Virtual cores created virtual TMAs, and our validated scoring classifiers were applied. Automated histoscores and percentage positivity were determined, and compared against increasing numbers of cores. The optimal number of cores was based on concordant results between virtual TMAs and corresponding whole sections. CONCLUSIONS: We have shown that virtual arrays constitute an important tool in digital pathology in both research and clinical settings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».