A Bladder Cancer Grading System Using Deep Neural Network Architectures
Notice bibliographique
Résumé
Histopathologists grade bladder cancer by looking at histology images or glass-slides of bladder tissues. Grading is an important stage of bladder cancer diagnosis and key requirement to determine the proper course of treatment. This work presents a machine-learning-based platform, known as Bladder Cancer Grading (BCG) system, a platform designed and developed based on deep neural network architectures. The main input to BCG is a high resolution image of bladder tissue scanned from glass slide, known as Whole Slide Image (WSI). In learning stage, BCG breaks a set of sample WSI images into equally-sized square tiles in order to build its learning dataset. In projection stage, similar to learning stage, BCG breaks down any given input WSI image into tiles and projects every single tile using the selected trained model. BCG uses a 4-tier grading scheme to grade each tile. The grading scheme is derived from World Health Organization (WHO) 1973/2004 bladder-cancer-grading-schemes [1] that are globally accepted and practiced by many specialists including pathologists working in University Health Network(UHN) in Toronto General 1 and Mount Sinai Hospitals 2. Using its distinct tiling design approach, BCG has introduced a grading scheme that projects a decimal grading value per each slide unlike existing practice that assigns a discrete grade value between 1 and 4 to each slide. The team of senior pathologists who assisted labeling BCG training dataset believe this new grading approach provides a better state of progression in bladder cancer resulting in more precise diagnosis and better treatment procedures. The choice of learning model(s) in BCG is configurable. Any deep architecture model could be plugged in, trained, and used by BCG. Some trained models developed by this platform have shown promising grading accuracy (more than 97% in verification/testing, above 85% in real projection, and 97+ specificity rate). BCG has also shown a highly consistent intro-observatory results. The combination of a loosely coupled architecture and fully integrated utilization of tiles in all stages of its execution have made BCG a universal, expandable, scalable, and versatile platform that could be configured and deployed in distributed running environments.
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 | 0,001 | 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) | 0,004 | 0,002 |
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 ».