Machine learning-based prediction of luminal breast cancer subtypes using polarised light microscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Routine histopathology cannot distinguish between clinically diverse luminal A and B breast cancer subtypes (LBCS), often requiring ancillary testing. Mueller matrix polarimetry (MMP) offers a promising approach by analysing polarised light interactions with complex breast tissues. This study explores the efficacy of using MMP for luminal subtype differentiation. METHODS: We analysed 30 polarimetric and 7 clinical parameters from 116 unstained breast core biopsies, LBCS classified using the BluePrint® molecular assay. These features were used to train various machine learning models: logistic regression, linear discriminant analysis, support vector machine, random forest, and XGBoost to distinguish luminal subtypes. Receiver operating characteristic curve (ROC) analysis was used to each to assess diagnostic performance using area under the curve, accuracy, sensitivity, and specificity. RESULTS: Using the top six most prognostic polarimetric (three) and clinical (three) biomarkers ranked by feature importance, the best-performing random forest model achieved an accuracy of 81% (area under ROC = 86%), with both sensitivity and specificity at 75% on an unseen test set, indicating moderately promising, clinically informative performance. CONCLUSIONS: MMP, particularly its selected Mueller matrix elements, combined with clinical biomarkers show promise in distinguishing LBCS as validated against BluePrint®. By detecting subtle differences in tissue morphology, this approach may enhance breast cancer prognosis and help guide treatment decisions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle