MétaCan
Menu
Retour à la cohorte
Enregistrement W4393200219 · doi:10.1038/s41592-024-02233-6

The multimodality cell segmentation challenge: toward universal solutions

2024· article· en· W4393200219 sur OpenAlexafffund
Jun Ma, Ronald Xie, Shamini Ayyadhury, Cheng Ge, Anubha Gupta, Ritu Gupta, Song Gu, Yao Zhang, Gihun Lee, Joonkee Kim, Wei Lou, Haofeng Li, Eric Upschulte, Timo Dickscheid, José Guilherme de Almeida, Yixin Wang, Lin Han, Xin Yang, Marco Labagnara, Vojislav Gligorovski, Maxime Scheder, Sahand Jamal Rahi, Carly Kempster, Alice Y. Pollitt, Léon Espinosa, Tâm Mignot, Jan Moritz Middeke, Jan‐Niklas Eckardt, Wangkai Li, Zhaoyang Li, Xiaochen Cai, Bizhe Bai, Noah F. Greenwald, David Van Valen, Erin Weisbart, Beth A. Cimini, T. Cheung, Oscar Brück, Gary D. Bader, Bo Wang

Notice bibliographique

RevueNature Methods · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCell Image Analysis Techniques
Établissements canadiensLunenfeld-Tanenbaum Research InstitutePrincess Margaret Cancer CentreCanadian Institute for Advanced ResearchVector InstituteSinai Health SystemUniversity of WaterlooUniversity of TorontoUniversity Health Network
Organismes subventionnairesNational Institute of General Medical SciencesCanadian Institute for Advanced ResearchNational Centre for the Replacement, Refinement and Reduction of Animals in ResearchCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of CanadaScience and Engineering Research BoardNatural Sciences and Engineering Research Council of CanadaForschungszentrum JülichAlliance de recherche numérique du CanadaSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungIndraprastha Institute of Information Technology, DelhiDeutsche ForschungsgemeinschaftBritish Heart Foundation
Mots-clésSegmentationBenchmark (surveying)Computer scienceArtificial intelligenceImage segmentationMultimodalityScale-space segmentationSegmentation-based object categorizationPattern recognition (psychology)Computer vision

Résumé

récupéré en direct d'OpenAlex
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

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)0,006
score de la tête « metaresearch » (Gemma)0,011
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: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,004
Communication savante0,0040,006
Science ouverte0,0040,010
Intégrité de la recherche0,0060,007
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

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 Opus0,018
Tête enseignante GPT0,383
Écart entre enseignants0,365 · 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

Citations142
Publié2024
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueNature MethodsMême sujetCell Image Analysis TechniquesTravaux en français237 207