Hourglass, a tool to mine bioimaging data, uncovers sex-disparities in the IL-6-associated T cell response in pancreatic tumors
Notice bibliographique
Résumé
Summary Recent advances in digital pathology have led to an explosion in high-content multidimensional imaging approaches. Yet, our ability to gainfully process, visualize, integrate and mine the resulting mass of bioimaging data remains a challenge. We have developed Hourglass, an open access user-friendly software that streamlines complex biology-driven post-processing and visualization of multiparametric data. Directed at datasets derived from tissue microarrays or imaging methods that analyze multiple regions of interest per patient specimen, Hourglass systematically organizes observations across spatial and global levels as well as within patient subgroups. Application of Hourglass to our large and complex pancreatic cancer bioimaging dataset (540,617 datapoints derived from 26 bioimaging analyses applied to 596 specimens from 165 patients) consolidated a breadth of known IL-6 functions in a well-annotated human pancreatic cancer cohort and uncovered new unprecedented insights into a sex-linked Interleukin-6 (IL-6) association with immune phenotypes. Specifically, regional effects of IL-6 on the intratumoral T cell response were restricted to male patients only. In conclusion, Hourglass facilitates multi-layered knowledge extraction from complex multiparametric bioimaging datasets and provides tailored analytical means to productively harness heterogeneity at the sample and patient level.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».