Label-free histological identification of intraductal carcinoma of the prostate using texture analysis-based multimodal stimulated Raman scattering microscopy
Notice bibliographique
Résumé
Intraductal carcinoma of the prostate (IDC-P) is a very aggressive histopathological subtype of prostate cancer (PCa) that is strongly associated with poor clinical outcomes but for which no accurate biomarkers exist. Here, we demonstrate a novel application of texture analysis-based machine learning alongside multimodal nonlinear optical imaging using second-harmonic generation (SHG) and stimulated Raman scattering (SRS) at 1450 cm −1 and 1668 cm −1 Raman shifts to distinguish IDC-P from regular PCa and benign prostate. Images from each tissue type were analyzed to extract the first-order statistics and texture-based second-order statistics derived from the gray-level co-occurrence matrix of the images. A machine learning model was constructed using support vector machine (SVM) to classify the prostate tissue based on these statistics. Our results demonstrate that SVM models trained on either SHG or SRS images accurately classify IDC-P as well as high-grade PCa, low-grade PCa, and benign tissue with a mean classification accuracy exceeding 89%. Moreover, a mean classification accuracy of 98% was achieved using an SVM model trained on combined SHG and SRS images. Our study demonstrates that multimodal nonlinear optical imaging using SHG and SRS can be combined with texture analysis-based SVM classification to provide pathologists with a reliable biomarker of IDC-P.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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 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 ».