Performance Assessment of a Deep Learning–based Algorithm for Ovarian Cancer Histotyping in an Independent Data Set
Notice bibliographique
Résumé
Artificial intelligence diagnostic tools show promise for improving histotype classification in epithelial ovarian cancer but face challenges due to slide variability across institutions. To address this domain shift, the adversarial Fourier-based domain adaptation (AIDA) model was developed. This retrospective study evaluates AIDA's performance in classifying the 5 major ovarian cancer subtypes using an independent cohort. Surgically treated patients diagnosed with clear cell (CCC), endometrioid (EC), high-grade serous (HGSC), low-grade serous (LGSC), or mucinous (MC) ovarian cancer at Amsterdam University Medical Center (1985-2022) were included in the study. The deep learning method AIDA, trained on data from Vancouver General Hospital, was applied to all cases. Final histotype predictions were made through majority voting across 15 independently trained models. For misclassified cases, up to 3 additional slides were scanned, and the AIDA model was retrained. Classification was then assessed using single-slide and majority voting approaches. The AIDA algorithm achieved an overall balanced accuracy of 79.7% across all histotypes. Accuracy was highest for CCC (90.9%) and LGSC (89.8%), and lowest for EC (62.4%). Common misclassifications included MC as EC and EC as HGSC or LGSC. Retraining with additional slides improved balanced accuracy to 85.8% based on single-slide voting and 82.6% based on majority voting. This study highlights the future potential of the AIDA model in classifying epithelial ovarian cancer histotypes. With further refinement to improve performance on more challenging cases, the model could enhance diagnostic accuracy in clinical practice.
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 | 0,006 | 0,008 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».