Enhanced Prognostication of Early Breast Cancer Outcomes Using Deep Learning on Merged Multistain and Multicolor-Depth Tumor Histopathology
Notice bibliographique
Résumé
Accurate breast cancer prognosis helps clinicians in selecting optimal treatments, potentially improving patient survival. We tested whether combining deep learning with tumor histopathology images could reliably predict cancer spread. Advantages of this study include the use of deep learning, which often outperforms traditional methods, and the analysis of tumor histopathology images that offer higher resolution than MRI or CT. We also optimized tumor immunostaining by separately staining slides with AE1/AE3 pan-cytokeratin and hematoxylin and eosin (H&E), and evaluated different image color-depth representations (color, grayscale, and binary) for their prognostic utility. The results indicate that grayscale images outperformed both color and binary formats. Grayscale pan-CK-stained images achieved 94.4% accuracy [area under the curve (AUC) = 0.982], while grayscale H&E-stained images reached 85.7% accuracy (AUC = 0.992) on the test set. Notably, training the ResNet-50 model with experimentally augmented data comprising six distinct datasets differing in staining type and color depth, totaling 2,646 images, further enhanced performance, to 100% accuracy (AUC of 1.0). Importantly, our pipeline ensured no contamination between the development and test sets. Deep learning applied to tumor histopathology images of early-stage breast cancer patients using two stains and varying color depths achieved exceptional prognostic accuracy and robust generalization.
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) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».