MétaCan
Menu
Retour à la cohorte
Enregistrement W4413971657 · doi:10.1093/ajcp/aqaf083

Selecting high-throughput scanners for clinical use: A multicenter institution experience

2025· article· en· W4413971657 sur OpenAlexaffabout
Joice Soliman, Karen Weiser, Iman Ahmed, Charlotte Carment-Baker, Michael Hockley, Ioannis Prassas, Christine Bruce, Blaise Clarke, George M. Yousef

Notice bibliographique

RevueAmerican Journal of Clinical Pathology · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésThroughputMulticenter studyMedicineComputer scienceMedical physicsPathology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To evaluate and implement whole-slide imaging (WSI) scanners for a fully digital pathology workflow at the University Health Network (UHN) in Canada, a multicenter institution. The goal was to optimize clinical diagnosis, education, telepathology, consultation, and artificial intelligence (AI) applications. Given the competitive digital pathology market, a thorough assessment was conducted to select the most suitable scanners for UHN's primary diagnosis at main and satellite sites, remote teleconsultation, intraoperative consultation, and multidisciplinary education. METHODS: A request for proposal was issued to evaluate WSI scanners based on technical specifications, compatibility, previous performance, implementation strategy, operational excellence, and postinstallation support. A multidisciplinary committee scored vendors, and the highest-scoring scanners were further assessed for image accuracy, loading and offloading efficiency, scanning speed, throughput, and artifact handling. RESULTS: The UHN selected a fleet of WSI scanners with varying functionality from multiple vendors. Successful implementation included seamless integration with the image management system, laboratory information system, hospital information system, and digital storage. This transition enhanced workflow efficiency, streamlined telepathology services, and supported AI-driven applications. CONCLUSIONS: Despite high costs, WSI scanners substantially improved slide accessibility, reduced turnaround times, and enhanced workflow flexibility. Their integration supports AI advancements, facilitates second opinions, improves access to educational materials, and facilitates proficiency testing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,153

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,023
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0020,001
Science ouverte0,0030,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,091
Tête enseignante GPT0,474
Écart entre enseignants0,382 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Clinical PathologyMême sujetAI in cancer detectionTravaux en français237 207