Infrared spectral histopathology for cancer diagnosis: a novel approach for automated pattern recognition of colon adenocarcinoma
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Histopathology remains the gold standard method for colon cancer diagnosis. Novel complementary approaches for molecular level diagnosis of the disease are need of the hour. Infrared (IR) imaging could be a promising candidate method as it probes the intrinsic chemical bonds present in a tissue, and provides a "spectral fingerprint" of the biochemical composition. To this end, IR spectral histopathology, which combines IR imaging and data processing techniques, was employed on seventy seven paraffinized colon tissue samples (48 tumoral and 29 non-tumoral) in the form of tissue arrays. To avoid chemical deparaffinization, a digital neutralization of the spectral interference of paraffin was implemented. Clustering analysis was used to partition the spectra and construct pseudo-colored images, for assigning spectral clusters to various tissue structures (normal epithelium, malignant epithelium, connective tissue etc.). Based on the clustering results, linear discriminant analysis was then used to construct a stringent prediction model which was applied on samples without a priori histopathological information. The predicted spectral images not only revealed common features representative of the colonic tissue biochemical make-up, but also highlighted additional features like tumor budding and tumor-stroma association in a label-free manner. This novel approach of IR spectral imaging on paraffinized tissues showed 100% sensitivity and allowed detection and differentiation of normal and malignant colonic features based purely on their intrinsic biochemical features. This non-destructive methodology combined with multivariate statistical image analysis appears as a promising tool for colon cancer diagnosis and opens up the way to the concept of numerical spectral histopathology.
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.
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 | 0,000 | 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 découle