MétaCan
Menu
Retour à la cohorte
Enregistrement W4378172114 · doi:10.5858/arpa.2022-0432-oa

A Pilot Validation Study Comparing Fluorescence-Imitating Brightfield Imaging, A Slide-Free Imaging Method, With Standard Formalin-Fixed, Paraffin-Embedded Hematoxylin-Eosin–Stained Tissue Section Histology for Primary Surgical Pathology Diagnosis

2023· article· en· W4378172114 sur OpenAlexaff
Alexander D. Borowsky, Richard M. Levenson, Allen M. Gown, Taryn Morningstar, Thomas A. Fleury, Gregory C. Henderson, Kurt B. Schaberg, Amelia Sybenga, Eric F. Glassy, Sandra L. Taylor, Farzad Fereidouni

Notice bibliographique

RevueArchives of Pathology & Laboratory Medicine · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Institute of Biomedical Imaging and BioengineeringNational Cancer InstituteNational Institutes of Health
Mots-clésH&E stainDigital pathologySurgical pathologyGold standard (test)Medical diagnosisPathologyMedicineMicrotomeConcordanceRadiologyNuclear medicineStaining

Résumé

récupéré en direct d'OpenAlex

CONTEXT.—: Digital pathology using whole slide images has been recently approved to support primary diagnosis in clinical surgical pathology practices. Here we describe a novel imaging method, fluorescence-imitating brightfield imaging, that can capture the surface of fresh tissue without requiring prior fixation, paraffin embedding, tissue sectioning, or staining. OBJECTIVE.—: To compare the ability of pathologists to evaluate direct-to-digital images with standard pathology preparations. DESIGN.—: One hundred surgical pathology samples were obtained. Samples were first digitally imaged, then processed for standard histologic examination on 4-μm hematoxylin-eosin-stained sections and digitally scanned. The resulting digital images from both digital and standard scan sets were viewed by each of 4 reading pathologists. The data set consisted of 100 reference diagnoses and 800 study pathologist reads. Each study read was compared to the reference diagnosis, and also compared to that reader's diagnosis across both modalities. RESULTS.—: The overall agreement rate, across 800 reads, was 97.9%. This consisted of 400 digital reads at 97.0% versus reference and 400 standard reads versus reference at 98.8%. Minor discordances (defined as alternative diagnoses without clinical treatment or outcome implications) were 6.1% overall, 7.2% for digital, and 5.0% for standard. CONCLUSIONS.—: Pathologists can provide accurate diagnoses from fluorescence-imitating brightfield imaging slide-free images. Concordance and discordance rates are similar to published rates for comparisons of whole slide imaging to standard light microscopy of glass slides for primary diagnosis. It may be possible, therefore, to develop a slide-free, nondestructive approach for primary pathology diagnosis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,035
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,186

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0350,026
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,311
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArchives of Pathology & Laboratory MedicineMême sujetAI in cancer detectionTravaux en français237 207