Evaluation of an open-source machine-learning tool to quantify bone marrow plasma cells
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
AIMS: The objective of this study was to develop and validate an open-source digital pathology tool, QuPath, to automatically quantify CD138-positive bone marrow plasma cells (BMPCs). METHODS: We analysed CD138-scanned slides in QuPath. In the initial training phase, manual positive and negative cell counts were performed in representative areas of 10 bone marrow biopsies. Values from the manual counts were used to fine-tune parameters to detect BMPCs, using the positive cell detection and neural network (NN) classifier functions. In the testing phase, whole-slide images in an additional 40 cases were analysed. Output from the NN classifier was compared with two pathologist's estimates of BMPC percentage. RESULTS: The training set included manual counts ranging from 2403 to 17 287 cells per slide, with a median BMPC percentage of 13% (range: 3.1%-80.7%). In the testing phase, the quantification of plasma cells by image analysis correlated well with manual counting, particularly when restricted to BMPC percentages of <30% (Pearson's r=0.96, p<0.001). Concordance between the NN classifier and the pathologist whole-slide estimates was similarly good, with an intraclass correlation of 0.83 and a weighted kappa for the NN classifier of 0.80 with the first rater and 0.90 with the second rater. This was similar to the weighted kappa between the two human raters (0.81). CONCLUSIONS: This represents a validated digital pathology tool to assist in automatically and reliably counting BMPC percentage on CD138-stained slides with an acceptable error rate.
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 | 0,009 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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