Machine Learning-Based Prediction of Pediatric Ulcerative Colitis Treatment Response using Diagnostic Histopathology
Notice bibliographique
Résumé
ABSTRACT Background and Aims We previously reported clinical features associated with outcomes in pediatric ulcerative colitis (UC). Here we developed a histopathology model to predict corticosteroid-free remission (CSFR) on mesalamine therapy alone. Methods Pre-treatment rectal biopsy slides were digitized in training and validation groups of 292 and 113 pediatric UC patients, respectively. Whole slide images (WSI) underwent pre-processing. Thirteen machine learning (ML) models were trained using 250 histomic features including texture, color, histogram, and nuclei. Feature importance was determined by the Gini index with the classifier re-trained using the top features. Results 187571 informative patches from 292 training group patients (Male:53%; Age:13y (IQR:11-15); CSFR:41%) were trained on 13 ML classifiers. The best model was random forest (RF). Eighteen optimal histomic features were identified and trained, and the corresponding WSI AUROC was 0.89 (95%CI:0.71, 0.96), accuracy of 90% for CSFR. Features were re-trained on an independent real-world dataset of 113 patients and the model WSI AUROC was 0.85 (95%CI:0.75, 0.95), accuracy of 85%. Conclusion Routine histopathology obtained at diagnosis contains histomic features associated with UC treatment response.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».