Deep learning-based approach for automated assessment of PTEN status.
Notice bibliographique
Résumé
294 Background: PTEN loss is associated with adverse outcomes in prostate cancer and has the potential to be clinically implemented as a prognostic biomarker. Deep learning algorithms applied to digital pathology can provide automated and objective assessment of biomarkers. The objective of this work was to develop an artificial intelligence (AI) system for automated detection and localization of PTEN loss in prostate cancer samples. Methods: Immunohistochemistry (IHC) was used to measure PTEN protein levels on prostate tissue microarrays (TMA) from two institutions (in-house n=272 and external n=125 patients). TMA cores were visually scored for PTEN loss by pathologists and, if present, spatially annotated. In-house cohort (N=1239 cores) were divided into 70/20/10 training/validation/testing sets. Two algorithms were developed: a) Class I=core-based, to label each core for biomarker status and b) Class II=pixel-based, to spatially distinguish areas of PTEN loss within each core. ResNet101 architecture was used to train a multi-resolution ensemble of classifiers at 5x, 10x, and 20x for Class I task and a single classifier at simulated 40x for Class II segmentation. Results: For Class I algorithm, accuracy of PTEN status was 88.3% and 93.4% in validation and testing cohorts, respectively (Table). AI-based probability of PTEN loss was higher in cores with complete loss vs partial loss. Accuracy was improved to 90.7% in validation and 93.5% in test cohorts using the Class II region-based algorithm, with median dice scores 0.833 and 0.831, respectively. Direct application to external set demonstrated a high false positive rate. Loading trained model and conservatively re-training (“fine-tuning”) on 48/320 external cohort cores improved accuracy to 93.4%. Conclusions: Results demonstrate feasibility and robustness for fully automated detection and localization of PTEN loss in prostate cancer tissue samples and possibility for time/cost-effectiveness of sample processing/scoring in research and clinical laboratories.[Table: see text]
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».