Predicting recurrence in osteosarcoma via a quantitative histological image classifier derived from tumour nuclear morphological features
Notice bibliographique
Résumé
Abstract Recurrence is the key factor affecting the prognosis of osteosarcoma. Currently, there is a lack of clinically useful tools to predict osteosarcoma recurrence. The application of pathological images for artificial intelligence‐assisted accurate prediction of tumour outcomes is increasing. Thus, the present study constructed a quantitative histological image classifier with tumour nuclear features to predict osteosarcoma outcomes using haematoxylin and eosin (H&E)‐stained whole‐slide images (WSIs) from 150 osteosarcoma patients. We first segmented eight distinct tissues in osteosarcoma H&E‐stained WSIs, with an average accuracy of 90.63% on the testing set. The tumour areas were automatically and accurately acquired, facilitating the tumour cell nuclear feature extraction process. Based on six selected tumour nuclear features, we developed an osteosarcoma histological image classifier (OSHIC) to predict the recurrence and survival of osteosarcoma following standard treatment. The quantitative OSHIC derived from tumour nuclear features independently predicted the recurrence and survival of osteosarcoma patients, thereby contributing to precision oncology. Moreover, we developed a fully automated workflow to extract quantitative image features, evaluate the diagnostic values of feature sets and build classifiers to predict osteosarcoma outcomes. Thus, the present study provides a novel tool for predicting osteosarcoma outcomes, which has a broad application prospect in clinical practice.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».