STIFMap employs a convolutional neural network to reveal spatial mechanical heterogeneity and tension-dependent activation of an epithelial to mesenchymal transition within human breast cancers
Notice bibliographique
Résumé
Abstract Intratumor heterogeneity in breast cancer associates with poor patient outcome. Tissue fibrosis and stromal stiffening accompany breast cancer development and associate with the aggressiveness of human breast cancer subtypes. Whether human breast cancers demonstrate stiffness heterogeneity, and if this is linked to breast tumor aggression remains unclear. To answer these questions, we developed a spatial method to measure the stiffness heterogeneity in human breast tumor tissues that also quantifies the local stromal stiffness each cell experiences and permits correlation with biomarkers of tumor aggression. Here, we present Spatially Transformed Inferential Force Maps (STIFMaps) to predict the elasticity across whole tissue sections with micron-resolution. The method exploits computer vision to precisely automate AFM indentation and then uses a trained convolutional neural network to predict matrix elasticity using collagen morphological features and ground truth AFM data. Because STIFMaps is compatible with biomarker staining we used the approach to register high-elasticity regions within sections of human breast tumors with markers of mechanical activation and an epithelial to mesenchymal transition (EMT) that associated with tumor aggression. The findings herein highlight the utility of STIFMaps for assessing the mechanical heterogeneity of human breast tissues across length scales from single cells to whole tissues. The method also reveals, for the first time, a direct association between stromal stiffness and EMT, thereby implicating stromal stiffness as a driver of human breast cancer aggression.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».