Detection of prostate cancer in 3D pathology datasets via generative immunolabeling
Notice bibliographique
Résumé
Abstract Recent advancements in nondestructive 3D pathology offer a complement to standard histology by enabling comprehensive volumetric analyses of intact clinical specimens (e.g. biopsies). Prior studies have demonstrated the added prognostic value of 3D pathology for prostate cancer risk stratification by correlating 3D microarchitectural features with long-term patient outcomes. However, these analyses relied on coarse manual annotations of cancer-enriched regions for downstream analysis without fine-grained delineation between often-intermixed cancerous and benign glands. To address these limitations, we have developed a 3D computational pipeline: Synthetic Immunolabeling for Generative Heatmaps of Tumor (SIGHT). SIGHT relies on deep learning-based 3D image translation models, trained in a fully supervised fashion, to convert H&E-analog 3D pathology datasets into multiplexed 3D immunofluorescence datasets that facilitate tumor detection. Our implementation of SIGHT synthetically labels two cytokeratin markers that are differentially expressed in cancerous and benign prostate glands, which are used to generate explainable 3D heatmaps of cancer-enriched regions in prostate tissues. Validation of SIGHT against ground-truth annotations from a panel of genitourinary pathologists yields an average F1 score of 0.88 which is comparable to the average inter-pathologist agreement F1 score of 0.90. To demonstrate the value of SIGHT, we developed machine classifiers of recurrence risk based on 3D glandular histomorphometric features from 75 patients. Volumetric glandular analysis in SIGHT-identified cancer-enriched regions vs. all tissue regions yields an average Kaplan-Meier hazard ratio of 3.57 (1.6 – 7.9 CI) vs. 0.92 (0.45 – 1.89 CI).
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 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».