Automatic Circulating Tumor Cell Segmentation and Enumeration in Digital Pathology by Using Deep Learning and Ball-scale Based Filtering Techniques
Notice bibliographique
Résumé
Circulating tumor cells (CTCs) shed from the primary tumor, intravasate into blood, and translocate to distant tissues via circulation [1]. CTC enumeration allows cancer detection, treatment monitoring, and survival prediction [2], [3]. In the clinical setting immunofluorescence-based CTC enumeration is primarily used by expert cytopathologists. Manual enumeration requires cytopathologists with rich experience to read hundreds to thousands of images in hours. Despite the seemingly high number, this poor efficiency hinders the relevant clinical implementation. Therefore, high-automation enumeration is missing but highly desired [4]. Here, we proposed an automatic CTC segmentation and enumeration method in digital pathology by using deep learning techniques. To prepare for enumeration, peripheral blood mononuclear cells (PBMC) were extracted from cancer patient blood followed by infection with a reengineered adenovirus, i.e., rAdCTC, which is a CD46-targeting, DF3 promoter-selective, and GFP-overexpression adenovirus. The rAdCTCensures detection specificity and efficiency of expression for CTCs. Subsequently, PBMCs were stained with anti-CD45 fluorescence-labeled antibody and DNA staining dye DAPI. Finally, the acquired fluorescence images were used for automatic segmentation and enumeration [5]. It is noteworthy that the fluorescence images used in this study contain three channels. The green, red, and blue signals respectively represent overexpressed GFP in infected cells, CD45 staining on leukocyte membranes, and nuclear staining.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».