Automated Dcis Identification From Multiplex Immunohistochemistry Using Generative Adversarial Networks
Notice bibliographique
Résumé
Ductal Carcinoma In Situ (DCIS) is a non-obligatory precursor of Invasive Breast Cancer. It is the most common mammographically detected breast cancer. Predicting DCIS progression to invasive ductal carcinoma is a major clinical challenge due to the lack of a uniform classification system in the diagnosis and prognostication of this disease. To characterise the tissue microecology of DCIS, we proposed and tested the model "DCIS-Identification model" based on Generative Adversarial Networks (GAN) for detection and segmentation of DCIS ducts from multiplex immunohistochemistry (IHC) staining samples. We also trained a Spatially Constrained Convolutional Neural Network (SC-CNN) to detect and classify single cells based on their CA9 and FOXP3 expression. The DCIS-Identification model was evaluated on 8 whole slide images, resulting in an average Dice score of 0.95 for the segmentation performance. The single cell identification framework was tested on 10 randomly selected whole slide sections, achieving the average accuracy of 88.6% in a 5 fold cross validation scheme. With the proposed pipeline, we efficiently integrated deep learning, computational pathology and spatial statistics to report distinct differences in the microenvironments of DCIS and IDC/DCIS samples. The proposed pipeline provides a tool for a better understanding of the mechanism of tumours in DCIS and IDC/DCIS cases.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 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 ».