Deep-learning triage of 3D pathology datasets for comprehensive and efficient pathologist assessments
Notice bibliographique
Résumé
Standard-of-care slide-based 2D histopathology severely undersamples spatially heterogeneous tissue specimens, with each thin 2D section representing <1% of the entire tissue volume (in the case of a biopsy). Recent advances in non-destructive 3D pathology, such as open-top light-sheet microscopy (OTLS), enable comprehensive high-resolution imaging of large clinical specimens. While fully automated computational analyses of such 3D pathology datasets are being explored, a potential low-risk route for accelerated clinical adoption would be to continue to rely upon pathologists to provide final diagnoses. Since manual review of these massive and complex 3D datasets is infeasible for routine clinical practice, we present CARP3D, a deep learning triage framework that identifies high-risk 2D cross sections within large 3D pathology datasets to enable time-efficient pathologist evaluation. CARP3D assigns risk scores to all 2D levels within a tissue volume by leveraging context from a subset of neighboring depth levels, outperforming models in which predictions are based on isolated 2D levels. In two use cases - risk stratification based on prostate cancer biopsies and screening for dysplasia/cancer in endoscopic biopsies of Barrett's esophagus - AI-triaged 3D pathology, enabled by CARP3D, demonstrates the potential to improve the detection of high-risk diseases in comparison to slide-based 2D histopathology while optimizing pathologist workloads.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».