Quantitative and Semi-quantitative Methods for Assessing the Degree of Methylene Blue Staining in Sentinel Lymph Nodes in Dogs
Notice bibliographique
Résumé
Background: To develop a digital algorithm for quantitative assessment of surface methylene blue staining in whole lymph nodes and validate a semi-quantitative visual scoring method for patient-side use. Methods: Lymph nodes from canine patients with spontaneous tumors undergoing sentinel lymph node mapping were prospectively assessed ex vivo and photographed. Using an open-source computer-based imaging software, an algorithm was developed for quantification of staining based on a signal-to-background ratio. Next, two blinded observers evaluated images and assigned a semi-quantitative visual score based on surface staining (0—no blue stain, 1−1–50% stained, and 2−51–100% stained) and those results were compared to the established quantitative standard. Results: Forty-three lymph nodes were included. Image analysis successfully quantified blue staining and differentiated from normal lymph node tissue in all cases. Agreement between observers using the Kappa coefficient demonstrated strong agreement ( k = 0.8581, p < 0.0001) between semi-quantitative visual scoring and image analysis. There was substantial interobserver and intraobserver agreement for the scoring system ( k = 0.7340, p < 0.0001 and k = 0.8983, p < 0.0001, respectively). Conclusion: A digital algorithm using an open-source software was simple and straightforward to use for quantification of blue staining. The use of a semi-quantitative visual scoring system shows promise for a simple, objective, repeatable assessment of methylene blue staining at the time of surgery. This study demonstrates reliable and repeatable methods for blue staining quantification thereby providing a novel and objective reporting mechanism in scientific research involving sentinel lymph node mapping.
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 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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».