A deep learning approach to case prioritisation of colorectal biopsies
Notice bibliographique
Résumé
AIMS: To create and validate a weakly supervised artificial intelligence (AI) model for detection of abnormal colorectal histology, including dysplasia and cancer, and prioritise biopsies according to clinical significance (severity of diagnosis). MATERIALS AND METHODS: Triagnexia Colorectal, a weakly supervised deep learning model, was developed for the classification of colorectal samples from haematoxylin and eosin (H&E)-stained whole slide images. The model was trained on 24 983 digitised images and assessed by multiple pathologists in a simulated digital pathology environment. The AI application was implemented as part of a point and click graphical user interface to streamline decision-making. Pathologists assessed the accuracy of the AI tool, its value, ease of use and integration into the digital pathology workflow. RESULTS: Validation of the model was conducted on two cohorts: the first, on 100 single-slide cases, achieved micro-average model specificity of 0.984, micro-average model sensitivity of 0.949 and micro-average model F1 score of 0.949 across all classes. A secondary multi-institutional validation cohort, of 101 single-slide cases, achieved micro-average model specificity of 0.978, micro-average model sensitivity of 0.931 and micro-average model F1 score of 0.931 across all classes. Pathologists reflected their positive impressions on the overall accuracy of the AI in detecting colorectal pathology abnormalities. CONCLUSIONS: We have developed a high-performing colorectal biopsy AI triage model that can be integrated into a routine digital pathology workflow to assist pathologists in prioritising cases and identifying cases with dysplasia/cancer versus non-neoplastic biopsies.
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 | 0,000 | 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 | 0,000 | 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 ».