Identification of Distinct Visual Scan Paths for Pathologists in Rare-Element Search Tasks
Notice bibliographique
Résumé
Background The search for rare elements, like mitotic figures, is crucial in pathology. Combining digital pathology with eye-tracking technology allows for the detailed study of how pathologists complete these important tasks. Objectives To determine if pathologists have distinct search characteristics in domain- and nondomain-specific tasks. Design Six pathologists and six graduate students were recruited as observers. Each observer was given five digital “Where's Waldo?” puzzles and asked to search for the Waldo character as a nondomain-specific task. Each pathologist was then given five images of a breast digital pathology slide to search for a single mitotic figure as a domain-specific task. The observers’ eye gaze data were collected. Results Pathologists’ median fixation duration was 244 ms, compared to 300 ms for nonpathologists searching for Waldo ( P < .001), and compared to 233 ms for pathologists searching for mitotic figures ( P = .003). Pathologists’ median fixation and saccade rates were 3.17/second and 2.77/second, respectively, compared to 2.61/second and 2.47/second for nonpathologists searching for Waldo ( P < .001), and compared to 3.34/second and 3.09/second for pathologists searching for mitotic figures ( P = .222 and P = .187, respectively). There was no significant difference between the two cohorts in their accuracy in identifying the target of their search. Conclusions When searching for rare elements during a nondomain-specific search task, pathologists’ search characteristics were fundamentally different compared to nonpathologists, indicating pathologists can rapidly classify the objects of their fixations without compromising accuracy. Further, pathologists’ search characteristics were fundamentally different between a domain-specific and nondomain-specific rare-element search task.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».