Automated classification of oral premalignant lesions using image cytometry and Random Forests-based algorithms
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
PURPOSE: A major challenge for the early diagnosis of oral cancer is the ability to differentiate oral premalignant lesions (OPL) at high risk of progressing into invasive squamous cell carcinoma (SCC) from those at low risk. Our group has previously used high-resolution image analysis algorithms to quantify the nuclear phenotypic changes occurring in OPLs. This approach, however, requires a manual selection of nuclei images. Here, we investigated a new, semi-automated algorithm to identify OPLs at high risk of progressing into invasive SCC from those at low risk using Random Forests, a tree-based ensemble classifier. METHODS: We trained a sequence of classifiers using morphometric data calculated on nuclei from 29 normal, 5 carcinoma in situ (CIS) and 28 SCC specimens. After automated discrimination of nuclei from other objects (i.e., debris, clusters, etc.), a nuclei classifier was trained to discriminate abnormal nuclei (8,841) from normal nuclei (5,762). We extracted voting scores from this trained classifier and created an automated nuclear phenotypic score (aNPS) to identify OPLs at high risk of progression. RESULTS: The new algorithm showed a correct classification rate of 80% (80.6% sensitivity, 79.3% specificity) at the cellular level for the test set, and a correct classification rate of 75% (77.8% sensitivity, 71.4% specificity) at the tissue level with a negative predictive value of 76% and a positive predictive value of 74% for predicting progression among 71 OPLs, performed on par with the manual method in our previous study. CONCLUSIONS: We conclude that the newly developed aNPS algorithm serves as a crucial asset in the implementation of high-resolution image analysis in routine clinical pathology practice to identify lesions that require molecular evaluation or more frequent follow-up.
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 | 0,001 | 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 découle