MétaCan
Menu
Retour à la cohorte
Enregistrement W2041284290 · doi:10.4103/2153-3539.143329

American Telemedicine Association clinical guidelines for telepathology

2014· article· en· W2041284290 sur OpenAlexaff
Liron Pantanowitz, Kim Dickinson, Andrew Evans, Lewis Hassell, Walter H. Henricks, Jochen K. Lennerz, Amanda Lowe, Anil V. Parwani, Michael Riben, COL Daniel Smith, J. Mark Tuthill, Ronald S. Weinstein, David C. Wilbur, Elizabeth A. Krupinski, Jordana Bernard

Notice bibliographique

RevueJournal of Pathology Informatics · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensToronto General HospitalUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésTelepathologyVirtual microscopyComputer scienceSecond opinionThe InternetMedical physicsDigital pathologyMultimediaTelemedicinePathologyMedicineArtificial intelligenceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

The term “telepathology” was introduced into the English language in 1986 by Weinstein,[1,2] and since then there have been many advances and publications.[3,4,5,6,7,8,9,10,11,12,13] The practice of telepathology involves obtaining macroscopic and/or microscopic images for transmission along telecommunication links for obtaining a remote interpretation (telediagnosis), second opinion or consultation (teleconsultation), quality assurance, education, teaching, self-study, and research (tele-education). A variety of terms has been used interchangeably to refer to telepathology including digital microscopy, remote robotic microscopy, teleconferencing, teleconsultation, telemicroscopy, video microscopy, virtual microscopy, and whole slide imaging (WSI).[9,11,14] With advances in technology and widespread access to the Internet, telepathology is increasingly being used around the world, improving rapid sharing of cases and access to expert pathologists. Telepathology can be used for remote-site interpretation of all types of pathology material including, but not limited to, H&E stained paraffin tissue sections, frozen sections, cytology or hematology slides, microbiology specimens, clinical fluids (e.g. urine), electron micrographs, electrophoresis gels, and cytogenetics images.[2,15,16,17,18,19,20,21,22,23,24] In practice, these digital images are typically linked to patient information including identification/medical record numbers, clinical history, and relevant laboratory and radiology data.[25] Table 1 summarizes milestones of the many technological advances in telepathology.[14] The primary modes of telepathology include static imaging, dynamic imaging, hybrid static/dynamic telepathology, and WSI. Tabel 1 Telepathology system classification[14]

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)0,006
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,081
Score d'incertitude au seuil0,269

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,029
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,004
Études des sciences et des technologies0,0020,002
Communication savante0,0050,003
Science ouverte0,0040,003
Intégrité de la recherche0,0070,008
Charge utile insuffisante (le modèle a refusé de juger)0,0810,056

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 Opus0,055
Tête enseignante GPT0,396
Écart entre enseignants0,341 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

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

En bref

Citations107
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Pathology InformaticsMême sujetAI in cancer detectionTravaux en français237 207