Glomerular Segmentation, Classification, and Pathomic Feature-based Prediction of Clinical Outcomes in Minimal Change Disease and Focal Segmental Glomerulosclerosis
Notice bibliographique
Résumé
Background: Conventional assessment of Focal Segmental Glomerulosclerosis and Minimal Change Disease focuses on the presence/extent of segmental (SS) and global (GS) glomerulosclerosis. While SS and GS represent ongoing and terminal process, encoded in non-SS/GS glomeruli is prognostic information that can be extracted before structural changes are visually discernable. This study applies computational image analysis to (a) automate the segmentation and classification of glomeruli into GS, SS and non-GS/SS, (b) extract subvisual pathomic characteristics from non-GS/SS glomeruli, and (c) assess their clinical relevance. Methods: Leveraging the NEPTUNE/CureGN Periodic acid Schiff-stained whole slide images, we (i) developed deep learning (DL) models for the segmentation and classification of glomeruli into GS, SS and non-GS/SS; (ii) compared the association with disease progression and proteinuria remission of DL-derived percent of GS and SS vs. human scoring; (iii) extracted pathomic features from non-GS/SS; (iv) assessed their prognostic value using ridge-penalized Cox regression, with pathomic features ranked by Maximum Relevance Minimum Redundancy algorithm; and (v) estimated associations between selected pathomic features and clinical outcomes using Cox proportional hazard models. Results: Agreement between computer-aided and visual scoring was good for %GS (ICC = 0.889) and moderate for %SS (ICC = 0.592). The prognostic performance of Cox models of computer-aided visual scoring approaches was comparable (iAUCs 0.779 vs. 0.776 for disease progression and 0.811 vs. 0.817 for complete proteinuria remission, respectively). For non-GS/SS glomeruli, 3 and 4 pathomic features were selected and demonstrated modest prognostic performance for disease progression (iAUC = 0.684) and proteinuria remission (iAUC = 0.661), respectively. After adjusting for demographics, clinical characteristics, %GS and %SS, 2 pathomic features remained statistically significantly associated with proteinuria remission. Conclusion: Computational pathology allows for automatic quantification of SS/GS glomeruli that is comparable to manual assessment for outcome prediction, and the uncovering of previously under-recognized clinically useful information from non-GS/SS glomeruli.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 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 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 ».