piNET: An Automated Proliferation Index Calculator Framework for Ki67 Breast Cancer Images
Notice bibliographique
Résumé
Robust algorithms which are generalizable to multicenter datasets have large potential in digital histopathology. Combatting challenges such as different staining protocols, images, stain and scanner vendors, provide significant value to diagnostic pathology. Automated workflows have the potential to decrease turnaround time, improve efficiency and accuracy. In this work, two different frameworks for proliferation index quantification were developed and analyzed. First, a novel unsupervised color separation pipeline based on the IHC color histogram was proposed for the robust analysis of Ki67 and hematoxylin stained images in multicentre datasets. An “overstaining” threshold was implemented to adjust for background overstaining, and an automated nuclei radius estimator is designed to improve nuclei detection. After implementing this method, we found it to perform poorly on clinical data, specifically the nuclei detection portion. Therefore, this initiated the development of piNET, an automated Proliferation Index Calculator for Ki67 stained digital pathology images. The objective of this model was generalizability, minimal ground truth generation and robustness to multi-center datasets. In this work, a novel pipeline, piNET, can detect immuno-positive and immuno-negative tumor cells, which aids in the quantification of proliferation index. This pipeline is robust to multicenter data, has been assessed on five datasets, in order to accurately claim that the pipeline is generalizable. The F1 Scores proliferation index and classifications were thoroughly evaluated on multicenter data, 173 patched data, 90 tissue micro-arrays and 55 whole slide images. This pipeline was built on the U-NET, in combination with regression-based modeling and using a novel data partition approach. The piNET, trained on a single dataset, obtained an accuracy rate of 86% on the tissue micro-array, and 89% on patched data, and 76% on whole slide images. The proposed method can achieve an overall accuracy rate of 85% across five datasets and a Proliferation Index difference and R2 of 5.6% and 0.84 across four datasets respectively.
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 | 0,005 |
| 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».