A deep learning system to diagnose the malignant potential of urothelial carcinoma cells in cytology specimens
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: Although deep learning algorithms for clinical cytology have recently been developed, their application to practical assistance systems has not been achieved. In addition, whether deep learning systems (DLSs) can perform diagnoses that cannot be performed by pathologists has not been fully evaluated. METHODS: The authors initially obtained low-power field cytology images from archived Papanicolaou-stained urinary cytology glass slides from 232 patients. To aid in the development of a diagnosis support system that could identify suspicious atypical cells, the images were divided into high-power field panel image sets for training and testing of the 16-layer Visual Geometry Group convolutional neural network. The DLS was trained using linked information pertaining to whether urothelial carcinoma (UC) in the corresponding histology specimen was invasive or noninvasive, or high-grade or low-grade, followed by an evaluation of whether the DLS could diagnose these characteristics. RESULTS: The DLS achieved excellent performance (eg, an area under the curve [AUC] of 0.9890; F1 score, 0.9002) when trained on high-power field images of malignant and benign cases. The DLS could diagnose whether the lesions were invasive UC (AUC, 0.8628; F1 score, 0.8239) or high-grade UC (AUC, 0.8661; F1 score, 0.8218). Gradient-weighted class activation mapping of these images indicated that the diagnoses were based on the color of tumor cell nuclei. CONCLUSIONS: The DLS could accurately screen UC cells and determine the malignant potential of tumors more accurately than classical cytology. The use of a DLS during cytopathology screening could help urologists plan therapeutic strategies, which, in turn, may be beneficial for patients.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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