PathViT Model for Automated Disease Classification from Skeletal Muscle Histopathology
Notice bibliographique
Résumé
Analyzing skeletal muscle pathology from histological images is labor intensive (requiring manual cell counting, segmentation, and thresholding), time consuming, and prone to inter- and intrauser variability, influencing the accuracy and consistency of diagnoses. To address these difficulties, PathViT, a transformer-based deep-learning model, was designed to automatically distinguish between healthy and diseased muscle fibers, with the aims of reducing human intervention, minimizing subjectivity and variability, and significantly decreasing analysis time compared to conventional manual methods. Skeletal muscle pathology is characterized by changes in myofiber cross-sectional area, increased central nuclei, and structural disruptions in sarcomeres. To investigate these changes in myofiber size, wheat germ agglutinin staining and digital histopathology of skeletal muscle (quadriceps, gastrocnemius, tibialis anterior, extensor digitorum longus, and soleus) was utilized to classify diseased tissue [amyotrophic lateral sclerosis (SOD1∗G93A) and type 1 diabetes (Akita)] versus nondiseased controls. The performance of PathViT in distinguishing diseased versus nondiseased muscle fibers was compared with that of state-of-the-art deep-learning models. PathViT classified healthy and diseased muscle fibers with 96% accuracy, outperforming the other models. This approach enhanced scalability and diagnostic accuracy and decreased variability, making PathViT a potentially powerful biomedical research and clinical tool.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».