Predicting the Evolution of Lung Squamous Cell Carcinoma In Situ Using Computational Pathology
Notice bibliographique
Résumé
Lung squamous cell carcinoma in situ (SCIS) is the preinvasive precursor lesion of lung squamous cell carcinoma (SCC). Only around two-thirds of these lesions progress to invasive cancer, while one-third undergo spontaneous regression, which presents a significant clinical challenge due to the risk of overtreatment. The ability to predict the evolution of SCIS lesions can significantly impact patient management. Our study explores the use of computational pathology in predicting the evolution of SCIS. We used a dataset consisting of 112 H&E-stained whole slide images (WSIs) that were obtained from the Image Data Resource public repository. The dataset corresponded to tumors of patients who underwent biopsies of SCIS lesions and were subsequently followed up by bronchoscopy and CT scans to monitor for progression to SCC. We used this dataset to train two models: a pathomics-based ridge classifier trained on 80 principal components derived from almost 2000 extracted features and a deep convolutional neural network with a modified ResNet18 architecture. The performance of both approaches in predicting progression was assessed. The pathomics-based ridge classifier model obtained an F1-score of 0.77, precision of 0.80, and recall of 0.77. The deep learning model performance was similar, with a WSI-level F1-score of 0.80, precision of 0.71, and recall of 0.90. These findings highlight the potential of computational pathology approaches in providing insights into the evolution of SCIS. Larger datasets will be required in order to train highly accurate models. In the future, computational pathology could be used in predicting outcomes in other preinvasive lesions.
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 | 0,001 |
| 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 ».