Deployment of an Artificial Intelligence Histology Tool to Aid Qualitative Assessment of Histopathology Using the Nancy Histopathology Index in Ulcerative Colitis
Notice bibliographique
Résumé
BACKGROUND: Ulcerative colitis (UC) is a chronic inflammatory bowel disease characterized by increased stool frequency, rectal bleeding, and urgency. To streamline the quantitative assessment of histopathology using the Nancy Index in UC patients, we developed a novel artificial intelligence (AI) tool based on deep learning and tested it in a proof-of-concept trial. In this study, we report the performance of a modified version of the AI tool. METHODS: Nine sites from 6 countries were included. Patients were aged ≥18 years and had UC. Slides were prepared with hematoxylin and eosin staining. A total of 791 images were divided into 2 groups: 630 for training the tool and 161 for testing vs expert histopathologist assessment. The refined AI histology tool utilized a 4-neural network structure to characterize images into a series of cell and tissue type combinations and locations, and then 1 classifier module assigned a Nancy Index score. RESULTS: In comparison with the proof-of-concept tool, each feature demonstrated an improvement in accuracy. Confusion matrix analysis demonstrated an 80% correlation between predicted and true labels for Nancy scores of 0 or 4; a 96% correlation for a true score of 0 being predicted as 0 or 1; and a 100% correlation for a true score of 2 being predicted as 2 or 3. The Nancy metric (which evaluated Nancy Index prediction) was 74.9% compared with 72.3% for the proof-of-concept model. CONCLUSIONS: We have developed a modified AI histology tool in UC that correlates highly with histopathologists' assessments and suggests promising potential for its clinical application.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».