Notice bibliographique
Résumé
When assessing kidney biopsies, pathologists use Light microscopy (LM), immunofluorescence, and electron microscopy to describe and diagnose glomerular lesions and diseases. These are laborious, costly, fraught with inter-observer variability, and can have delays in turn-around time. Thus, computational approaches can be designed as screening and/or diagnostic tools, potentially relieving pathologist time, healthcare resources, while also having the ability to identify novel biomarkers, including subvisual features. This thesis compares a novel Biomarker feature extraction (BFE) model and test several pre- trained deep learning models to diagnose three glomerular diseases using Periodic acid-Schiff (PAS) stained images. The BFE model extracted a panel of 233 explainable biomarkers related to colour, morphology, and microstructural texture that describe underlying pathology. These biomarkers were subsequently narrowed to ten morphological and microstructural texture fea- tures for classification. The proposed pre-trained deep learning models used data augmentation and Gradient-weighted Class Activation Mapping (Grad-CAM) for better performance and inter- pretability. All classification models were then used to classify Minimal change disease (MCD), Membranous nephropathy (MN), and Thin-basement membrane nephropathy (TBMN) diseases on a glomerular and patient-level basis. The BFE model resulted in a glomerular validation accuracy of 67.6% and testing accuracy of 76.8%. All deep learning approaches had higher validation accuracies (most for VGG16 at 78.5%) but lower testing accuracies. The highest testing accuracy at the glomerular level was VGG16 at 71.9%, while that at the patient-level was InceptionV3 at 73.3%. Patient-level classification results showed higher accuracy for the BFE model (86.76%) compared to all deep learning methods. The BFE model was superior to three established deep learning models. The small dataset was likely contributory to the lower performance of the deep learning models, while model in- terpretability was clearly superior for the BFE. The results highlight the technical performance of both the traditional and deep learning approaches and describe how they may translate to clinical utility. Furthermore, these algorithms can be applied to clinical datasets for novel prognostic and mechanistic biomarker discovery.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».