ABC: Artificial Intelligence for Bladder Cancer grading system
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
Bladder cancer tissue grading, which assigns a numerical grade reflecting how aggressive a tumor looks under a microscope, is essential to determine the proper course of treatment, design a therapeutic plan and determine prognosis. The major problem is that there are considerable and clinically relevant variations in grading by pathologists – as they are humans with different opinions and experience – including in bladder cancer. This work presents a solution, i.e., Artificial Intelligence for Bladder Cancer grading (ABC) system, that is developed based on deep neural network architectures to provide a more reliable and accurate diagnosis for patients affected by this deadly disease and ultimately improve management and clinical outcomes. Whole Slide Images (WSI) are split up into equally-sized square tiles and annotated to build a training dataset. ABC introduces a new grading system concept that can provide a percentage distribution of each different grade in a specific tumor, unlike the current numerical grade value between 1 and 3 based on the general impression of the pathologist. This new approach aims to provide a more granular grading of bladder cancer tissues and better capture tumor grade heterogeneity. This new concept may offer a more precise prognosis and optimize management in the future. The ABC learning model is fully configurable, and any deep architecture model can be trained and used by ABC. Some trained models developed by ABC have shown high accuracy and consistency in grading and intra-observer variability. The combination of a loosely coupled architecture and fully integrated tiles’ utilization makes ABC a universal, scalable, and versatile system that could be configured and deployed worldwide.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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