Diagnosis of Liver Neoplasms by Computational and Statistical Image Analysis
Notice bibliographique
Résumé
Background: Distinguishing well-differentiated hepatocellular carcinoma (WD-HCC), hepatocellular adenoma (HA) and non-neoplastic liver tissue (NNLT) solely on morphology is often challenging. The purpose of this study was to evaluate the use of computational image analysis to distinguish WD-HCC, HA and NNLT. Methods: Seventy-seven cases comprising of WD-HCC (n = 26), HA (n = 23) and NNLT (n = 28) were retrieved and reviewed. A total of 485 hematoxylin and eosin (H&E) photomicrographs ( × 400, 0.09 µm 2 ) of WD-HCC (n = 183), HA (n = 173), NNLT (n = 129) and nine whole-slide scans (three of each diagnosis) were obtained, color deconvoluted and digitally transformed. Quantitative data including nuclear density, nuclear sphericity, nuclear perimeter, and nuclear eccentricity from each image were acquired. The data were analyzed by one-way analysis of variance (ANOVA) with Tukey post hoc test, followed by unsupervised and supervised (Chi-square automatic interaction detection (CHAID)) cluster analysis. Results: Unsupervised cluster analysis identified three well defined clusters of WD-HCC, HA and NNLT. Employing the four most discriminating nuclear features, supervised analysis was performed on a training set of 383 images, and validated on the remaining 102 test images. The analysis identified WD-HCC (sensitivity 100%, specificity 98%), HA (sensitivity 71%, specificity 85%) and NNLT (sensitivity 70%, specificity 86%). An analysis of whole-slide images identified WD-HCC with sensitivity and specificity of 100%. Conclusions: We have successfully demonstrated that computational image analysis of nuclear features can differentiate WD-HCC from non-malignant liver with high accuracy, and can be used to assist in the histopathological diagnosis of hepatocellular carcinoma. Gastroenterol Res. 2019;12(6):288-298 doi: https://doi.org/10.14740/gr1210
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».