Artificial Intelligence–Assisted Detection of Breast Cancer Lymph Node Metastases in the Post-Neoadjuvant Treatment Setting
Notice bibliographique
Résumé
Lymph node assessment for metastasis is a common, time-consuming, and potentially error-prone pathologist task. Past studies have proposed deep learning algorithms designed to automate this task. However, none have explicitly evaluated the generalizability of these algorithms to lymph node in patients with breast cancer who have received neoadjuvant systemic therapy (NAT). In this study, we created a large 1027-slide data set exclusively containing patients with breast cancer who have received NAT with detailed pathologist labels. We developed an interpretable deep learning pipeline to carry out the following 2 tasks: first, to classify slides as positive or negative for metastases, and second, to create a detailed, patch-level heatmap for probability of metastasis. We evaluated this pipeline with and without post-NAT treatment effect in training data, and investigated its performance relative to both slide- and patch-level tasks. We found that the presence of post-NAT treatment effect training data is relevant for both tasks, with particular benefits in pipeline specificity. With the post-NAT testing cohort, we found that our final pipeline obtained 0.986 area under the receiver operating characteristic curve for slide-level classification, and 70.9% specificity when calibrating for 100% sensitivity. We additionally performed an interpretability study on the outputs of our pipeline and found that the patch-level heatmap was successful in efficiently guiding pathologists toward detecting and correcting erroneous predictions that were made with an uncalibrated network.
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 | 0,002 |
| 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 ».