Specific spectral sub-images for machine learning evaluation of optical differences between carbon ion and X ray radiation effects
Notice bibliographique
Résumé
Advances in radiotherapy, particularly the exploration of alternative radiation types such as carbon ions have updated our understanding of its effects and applicability on chondrosarcoma cells. Here we compare the optical effects produced by carbon ions (CI) and X-rays (XR) radiations on chondrosarcoma cells nuclei and set an automated method for evaluating the radiation-induced alterations without the need of chemical marking. Hyperspectral images (HSI) of SW1353 chondrosarcoma line carry detectable optical changes of the cells irradiated either with CI or XR compared to non-irradiated ones (REF). The differences between the spectral profiles of CI, XR and REF nuclei classes led to partitioning the HSIs into spectral sub-images. The changes are detected by support vector machine (SVM) classifiers whose performances are evaluated by the most used point metrics: sensitivity ( SEN ), accuracy ( ACC ), and precision ( PREC ), applied on spatial feature values. Specific interaction mechanisms by radiation type reveal distinct subintervals where HSIs changes are more prominent, and the classifiers perform at best. For CI the best classifiers are obtained for sub-images in the interval (424–436 nm), while for XR the best classifiers are obtained for sub-images in the interval (436–445 nm). The classifiers work better with texture features than roughness features in both cases. The classifier with the best SEN point metric in the testing phase is the most suitable to measure the irradiation efficiency irrespective of the radiation type. The altered nuclei are easier to discriminate when irradiated with CI than with XR. The study proves that SVM with optical data offers a rapid, automated, and label-free method for evaluating radiation-induced alterations in chondrosarcoma nuclei, thereby enabling effective analysis of extensive data.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».