A machine learning based algorithm accurately stages liver disease by quantification of arteries
Notice bibliographique
Résumé
A major histologic feature of cirrhosis is the loss of liver architecture with collapse of tissue and vascular changes per unit. We developed qVessel to quantify the arterial density (AD) in liver biopsies with chronic disease of varied etiology and stage. 46 needle liver biopsy samples with chronic hepatitis B (CHB), 48 with primary biliary cholangitis (PBC) and 43 with metabolic dysfunction-associated steatotic liver disease (MASLD) were collected at the Shuguang Hospital. The METAVIR system was used to assess stage. The second harmonic generation (SHG)/two-photon images were generated from unstained slides. Collagen proportionate area (CPA) using SHG. AD was counted using qVessel (previously trained on manually labeled vessels by stained slides (CD34/a-SMA/CK19) and developed by a decision tree algorithm). As liver fibrosis progressed from F1 to F4, we observed that both AD and CPA gradually increases among the three etiologies (P < 0.05). However, at each stage of liver fibrosis, there was no significant difference in AD or CPA between CHB and PBC compared to MASLD (P > 0.05). AD and CPA performed similar diagnostic efficacy in liver cirrhosis (P > 0.05). Using the qVessel algorithm, we discovered a significant correlation between AD, CPA and METAVIR stages in all three etiologies. This suggests that AD could underpin a novel staging system.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».