Automated quantification of TP53 using digital immunohistochemistry for acute myeloid leukemia prognosis
Notice bibliographique
Résumé
Accurate quantification of TP53 is essential for guiding therapy in patients with acute myeloid leukemia (AML). While next-generation sequencing is considered the gold standard for TP53 detection, it is a costly test. As an alternative, immunohistochemistry (IHC) is utilized. However, the manual interpretation of IHC is a labor-intensive task and is very subjective with variation among pathologists. To address this issue, we propose a convolutional neural network-based approach to automatically analyze TP53 IHC images. This method involves detecting and segmenting tumor cells on digital IHC images, categorizing negative and positive cells, quantifying staining intensity (strong positive, moderate, and weak positive cells), and computing positivity and staining intensity indexes (PI and SII). The proposed method was developed and evaluated using 35 and 115 IHC images. The estimated metrics were compared against those of pathologists, showing a strong correlation of 0.9535 and 0.9093 for PI and SII, respectively. These results indicated a high level of agreement between artificial intelligence (AI) and pathologists. Furthermore, the AI method was significantly faster, taking approximately one-ninth of the time required for a hematopathologist. Additionally, the proposed method outperformed the state-of-the-art cell segmentation method for TP53 IHC quantification, with a statistically significant p-value of 0.001.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».