Development of a Tissue-Based Classifier of Allograft Inflammation Using Imaging Mass Cytometry
Notice bibliographique
Résumé
Background: Molecular phenotyping of allograft inflammation has improved both diagnostic accuracy & our understanding of the heterogeneity of rejection. Current molecular techniques lack histological correlation & spatial dimensionality. Our goal was to use Imaging Mass Cytometry (IMC) to develop a tool to accurately predict the cause of allograft inflammation. Methods: Our cohort included biopsies of rejection, BK nephropathy, pyelonephritis & normal kidneys. Using a panel of 28 markers, IMC images were processed by the Hyperion imaging system. Details of analysis are in Fig 1A. Cell segmentation was performed using Universal StarDist for Qupath. Cell classification was performed based on mean intensity threshold.Figure 1Results: 139 regions of interest (ROI) were processed. Violin plots ensured there were measurable differences in known markers associated with each allograft inflammation category. Distribution of percent positive scoring of immune cells are seen in the heatmap (1B) [e.g.: cellular & mixed rejection cases enriched in CD45+, HLA-DR+ cells and CD4+ memory T cells]. The trained regularized gradient boosting classifier model XGBoost was used to predict the allograft inflammation category for all cells, ROIs and each original histological diagnosis. (Fig 1C &D). The trained model accurately predicted the allograft inflammation category for each cell with an accuracy of 64.3%. When using the mean intensity parameter of each cell, the classifier accuracy improved to 87.8% in predicting the type of renal allograft inflammation, independent of ROI. The accuracy improved to 90.9% when dimension of intracellular spatial features (proximity metrics) were added to the algorithm. Granzyme, CD68 and Vista were the three most important markers in achieving this high accuracy. Conclusions: Using highly multiplexed imaging of renal allograft biopsies with subcellular resolution by IMC we have developed a novel classifier of allograft inflammation, which demonstrates high diagnostic accuracy.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».