Machine learning-based prediction of luminal breast cancer subtypes using polarised light microscopy
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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».