MétaCan
Menu
Retour à la cohorte
Enregistrement W4393072351 · doi:10.1111/his.15178

Transforming diagnostics: The implementation of digital pathology in clinical laboratories

2024· review· en· W4393072351 sur OpenAlexaffabout
Christine Bruce, Ioannis Prassas, Mark Mokhtar, Blaise Clarke, Catherine Wang, George M. Yousef

Notice bibliographique

RevueHistopathology · 2024
Typereview
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésTransformative learningDigital pathologyMedicineHealth careMedical physicsPathologyData scienceComputer sciencePsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Digital pathology (DP) has emerged as a cutting-edge technology that promises to revolutionise diagnostics in clinical laboratories. This perspective article explores the implementation planning and considerations of DP in a single multicentre institution in Canada, the University Health Network, discussing benefits, challenges, potential implications and considerations for future adopters. We examine the transition from traditional microscopy to digital slide scanning and its impact on pathology practice, patient care and medical research. Furthermore, we address the regulatory, infrastructure and change management considerations for successful integration into clinical laboratories. By highlighting the advantages and addressing concerns, we aim to shed light on the transformative potential of DP and its role in shaping the future of diagnostics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,996
Score d'incertitude au seuil0,723

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,406
Écart entre enseignants0,356 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations22
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHistopathologyMême sujetAI in cancer detectionTravaux en français237 207