Precision histology: how deep learning is poised to revitalize histomorphology for personalized cancer care
Notice bibliographique
Résumé
Accurate interpretation of the hematoxylin and eosin (H&E) slide has remained the foundation of pathological analysis and diagnostic medicine for over a century. 1 For the pathologist, the H&E slide is equivalent to a high-quality patient history or physical exam. It combines art and science to help triage and guide more focused and specialized ancillary studies. Unfortunately, the perceived value of histomorphologic analysis in the era of precision medicine is diminishing in recent years due to the emergence of more contemporary and data-rich molecular studies. 2 , 3 , 4 Ironically, this is no different than the scrutiny that the patient history and physical exam have faced, in light of widely available whole-body imaging technologies. 5 , 6 , 7 Some have even proposed that given the exponential decrease in sequencing costs, medical assessment could effectively begin with whole-genome analysis. 8 Here, we discuss the current state and the possible future of the H&E stain by highlighting some of its strengths and shortcomings. It may well be that the scrutiny that the H&E microscopic exam has faced in recent years 4 is no fault of its own, but the lack of effective approaches to routinely extract more of the rich morphologic information it contains.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».