Cortical Dysplasia Teaching Pathology to a Machine
Notice bibliographique
Résumé
Many patients with epilepsy do not achieve adequate pharmacologic control of their seizures and must consider surgical options. Many such patients undergo temporal lobectomy and experience a marked reduction in the frequency and severity of their seizures. However, many are less fortunate. One suspected factor for the latter group is the limited ability of clinical imaging to delineate subtle epileptogenic abnormalities, leading to subtotal resection of lesional tissue. A long range goal in this field is to increase the sensitivity and specificity of detecting such abnormalities by “training” MRI with pathology, feature analysis and machine learning. A key component of this is the ability to segment histopathology to facilitate its mapping to co-registered MRI. A foundational step in this process is to determine whether or not algorithms are capable of detecting the architectural abnormalities in cortical dysplasia on the basis of these segmentations. In brief, reliable semi-automated segmentations were developed to extract a number of features including neuron size, clustering, eccentricity, field-fraction and polarity. Feature analyses using t-Distributed Stochastic Neighbor Embedding (t-SNE) plots demonstrate a non-random association between selected features and diagnostic categories. These results indicate that automated algorithms are capable of distinguishing dysplastic from normal cortex on the basis of semi-automated segmentations. Learning Objectives Describe the value of segmentation in image analysis Define the role of feature analysis such as t-SNE in high dimensionality histopathology data
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».