Banff Digital Pathology Working Group: Going digital in transplant pathology
Notice bibliographique
Résumé
The Banff Digital Pathology Working Group (DPWG) was formed in the time leading up to and during the joint American Society for Histocompatibility and Immunogenetics/Banff Meeting, September 23-27, 2019, held in Pittsburgh, Pennsylvania. At the meeting, the 14th Banff Conference, presentations directly and peripherally related to the topic of "digital pathology" were presented; and discussions before, during, and after the meeting have resulted in a list of issues to address for the DPWG. Included are practice standardization, integrative approaches for study classification, scoring of histologic parameters (eg, interstitial fibrosis and tubular atrophy and inflammation), algorithm classification, and precision diagnosis (eg, molecular pathways and therapeutics). Since the meeting, a survey with international participation of mostly pathologists (81%) was conducted, showing that whole slide imaging is available at the majority of centers (71%) but that artificial intelligence (AI)/machine learning was only used in ≈12% of centers, with a wide variety of programs/algorithms employed. Digitalization is not just an end in itself. It also is a necessary precondition for AI and other approaches. Discussions at the meeting and the survey highlight the unmet need for a Banff DPWG and point the way toward future contributions that can be made.
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 | 0,051 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,010 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,035 |
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 ».