PATH-70. Neuropath-IHC: a deep neural network for virtual immunohistochemistry from digital whole slide images of CNS tumors
Notice bibliographique
Résumé
Abstract Computer vision now enables deep learning models to link histopathologic features to molecular features in a quantitative manner not previously achievable by human pathologists. However, human interpretability is often limited. We trained a deep neural network to predict gene expression from digital whole slide images (WSIs) using 848 central nervous system (CNS) tumors with paired WSI and RNA-sequencing data. We used inferred RNA expression levels as a surrogate for protein expression of the CNS tumor lineage markers GFAP, OLIG2, and SSTR2, as well as the proliferation marker MKI67 (Ki67). We established thresholds for categorizing the inferred expression levels as positive or negative based on levels observed in cross-validation testing in select tumor types to approximate routine clinical interpretation of immunohistochemical (IHC) staining. We tested the sensitivity and specificity of our ‘virtual’ IHC on an independent, multi-institutional cohort of over 2,000 CNS tumors with objective diagnostic labels derived from DNA methylation-based tumor classification. As a dichotomous variable, inferred GFAP expression showed a sensitivity of 74% and a specificity of 99% as a glial marker in a cohort of gliomas and meningiomas. In the same cohort, OLIG2 showed a sensitivity of 75% and a specificity of 97% as a glial marker, while SSTR2 showed a sensitivity of 83% and a specificity of 97% as a marker of meningioma. In a cohort of ependymomas and gliomas, virtual IHC for OLIG2 showed a sensitivity of 75% and a specificity of 82% in distinguishing ependymomas from gliomas. Finally, in a cohort of gliomas, inferred expression of MKI67 demonstrated a trend consistent with what would be expected by actual IHC, with increasing MKI67 expression with increasing tumor grade. Our model provides the basis for a human interpretable and clinically applicable deep neural network to aid human pathologists in the diagnosis and grading of CNS tumors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».