A Deep Learning–Based Approach to Estimate Paneth Cell Granule Area in Celiac Disease
Notice bibliographique
Résumé
CONTEXT.—: Changes in Paneth cell numbers can be associated with chronic inflammatory diseases of the gastrointestinal tract. So far, no consensus has been achieved on the number of Paneth cells and their relevance to celiac disease (CD). OBJECTIVES.—: To compare crypt and Paneth cell granule areas between patients with CD and those without CD (non-CD) using an artificial intelligence-based solution. DESIGN.—: Hematoxylin-eosin-stained sections of duodenal biopsies from 349 patients at the McGill University Health Centre were analyzed. Of these, 185 had a history of CD and 164 were controls. Slides were digitized, and NoCodeSeg, a code-free workflow using open-source software (QuPath, DeepMIB), was implemented to train deep learning models to segment crypts and Paneth cell granules. The total area of the entire analyzed tissue, epithelium, crypts, and Paneth cell granules was documented for all slides, and comparisons were performed. RESULTS.—: A mean intersection-over-union score of 88.76% and 91.30% was achieved for crypt areas and Paneth cell granule segmentations, respectively. On normalization to total tissue area, the crypt to total tissue area in CD was increased and the Paneth cell granule area to total tissue area decreased when compared to non-CD controls. CONCLUSIONS.—: Crypt hyperplasia was confirmed in CD compared to non-CD controls. The area of Paneth cell granules, an indirect measure of Paneth cell function, decreased with increasing severity of CD. More importantly, our study analyzed complete hematoxylin-eosin slide sections using an efficient and easy to use coding-free artificial intelligence workflow.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».