Ki67 Quantitative Interpretation: Insights using Image Analysis
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
BACKGROUND: Proliferation markers, especially Ki67, are increasingly important in diagnosis and prognosis. The best method for calculating Ki67 is still the subject of debate. MATERIALS AND METHODS: We evaluated an image analysis tool for quantitative interpretation of Ki67 in neuroendocrine tumors and compared it to manual counts. We expanded a primary digital pathology platform to include the Leica Biosystems image analysis nuclear algorithm. Slides were digitized using a Leica Aperio AT2 Scanner and accessed through the Cerner CoPath LIS interfaced with Aperio eSlideManager through Aperio ImageScope. Selected regions of interest (ROIs) were manually defined and annotated to include tumor cells only; they were then analyzed with the algorithm and by four pathologists counting on printed images. After validation, the algorithm was used to examine the impact of the size and number of areas selected as ROIs. RESULTS: The algorithm provided reproducible results that were obtained within seconds, compared to up to 55 min of manual counting that varied between users. Benefits of image analysis identified by users included accuracy, time savings, and ease of viewing. Access to the algorithm allowed rapid comparisons of Ki67 counts in ROIs that varied in numbers of cells and selection of fields, the outputs demonstrated that the results vary around defined cutoffs that provide tumor grade depending on the number of cells and ROIs counted. CONCLUSIONS: Digital image analysis provides accurate and reproducible quantitative data faster than manual counts. However, access to this tool allows multiple analyses of a single sample to use variable numbers of cells and selection of variable ROIs that can alter the result in clinically significant ways. This study highlights the potential risk of hard cutoffs of continuous variables and indicates that standardization of number of cells and number of regions selected for analysis should be incorporated into guidelines for Ki67 calculations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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