Classification of Pancreatic Ductal Adenocarcinoma Using MALDI Mass Spectrometry Imaging Combined with Neural Networks
Notice bibliographique
Résumé
Despite numerous diagnostic and therapeutic advances, pancreatic ductal adenocarcinoma (PDAC) has a high mortality rate, and is the fourth leading cause of cancer death in developing countries. Besides its increasing prevalence, pancreatic malignancies are characterized by poor prognosis. Omics technologies have potential relevance for PDAC assessment but are time-intensive and relatively cost-intensive and limited by tissue heterogeneity. Matrix-assisted laser desorption/ionization mass spectrometry imaging (MALDI-MSI) can obtain spatially distinct peptide-signatures and enables tumor classification within a feasible time with relatively low cost. While MALDI-MSI data sets are inherently large, machine learning methods have the potential to greatly decrease processing time. We present a pilot study investigating the potential of MALDI-MSI in combination with neural networks, for classification of pancreatic ductal adenocarcinoma. Neural-network models were trained to distinguish between pancreatic ductal adenocarcinoma and other pancreatic cancer types. The proposed methods are able to correctly classify the PDAC types with an accuracy of up to 86% and a sensitivity of 82%. This study demonstrates that machine learning tools are able to identify different pancreatic carcinoma from complex MALDI data, enabling fast prediction of large data sets. Our results encourage a more frequent use of MALDI-MSI and machine learning in histopathological studies in the future.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».