Perspective of a Pathologist on Benchmark Strategies for Artificial Intelligence Development in Organ Transplantation
Notice bibliographique
Résumé
Transplant pathology of donors is a highly specialized field comprising both the evaluation of organ donor biopsy for the oncological risk transmission and to guide the organ allocation. Timing is critical in transplant procurement since organs must be recovered as soon as possible to ensure the best possible outcome for the recipient. To all this is added the fact that the evaluation of a donor causes difficulties in many cases and the impact of these assessments is paramount, considering the possible recovery of organs that would have been erroneously discarded or, conversely, the possibly correct discarding of donors with unacceptable risk profiles. In transplant pathology histology is still the gold standard for diagnosis dictating the subsequent decisions and course of clinical care. Digital pathology has played an important role in accelerating healthcare progression and nowadays artificial intelligence powered computational pathology can effectively improve diagnostic needs, supporting the quality and safety of the process. Mapping the shape of the journey would suggest a progressive approach from supervised to semi/unsupervised models, which would involve training these models directly for clinical endpoints. In machine learning, this generally delivers better performance, compensating for a potential lack in interpretability. With planning and enough confidence in the performance of learning-based methods from digital pathology and artificial intelligence, there is great potential to augment the diagnostic quality and correlation with clinical endpoints. This may improve the donor pool and vastly reduce diagnostic and prognostic errors that are known but currently are unavoidable in transplant donor pathology.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».