BARG: A Boosted Adaptive Radial Proximity Method for Graph Modelling in Breast Cancer Hormonal Status Classification
Notice bibliographique
Résumé
Graph Convolutional Networks (GCNs) perform best on homophilic graphs, where connected nodes share similar features; however, histopathology images pose a challenge due to their heterogeneous tissue patterns and diverse morphological structures.In such images, ensuring homophily is crucial because, in non-homophilic graphs, message passing can cause oversmoothing, where features from dissimilar tissue regions become mixed, reducing the ability to distinguish distinct patterns.To address this, we introduce Boosted Adaptive Radius Graph (BARG), a novel graph modelling strategy tailored for Haematoxylin and Eosin (H&E)-stained Tissue MicroArray (TMA) images.BARG improves upon the traditional Fixed Radius Graph (FRG) approach by incorporating an adaptive, tissue-specific edge threshold and a two-hop edge promotion mechanism to enhance message passing and maintain connectivity without compromising homophily.The adaptive threshold, termed Adaptive Radial Proximity (ARP), is determined for each graph using statistical analysis of Local Density Features (LDFs) derived from FRG-based graphs and is further refined using a globally optimised scaling factor across the dataset.We evaluate BARG using a dataset of 1000 TMA images with balanced positive and negative samples for training and a test set of 554 images (287 positive and 257 negative), with each patient contributing one image.Graph node features are extracted via a pre-trained VGG16 Convolutional Neural Network (CNN) by processing small image patches centred at nucleus detection peaks.Compared to the FRG-based models, BARG yields notable performance gains, achieving 78% accuracy, 75% sensitivity, and 81% specificity, marking a 4% improvement in accuracy and an 8% increase in sensitivity.BARG also reaches an AUC-ROC of 0.85, a 3% enhancement over FRG, while preserving structural and contextual tissue relevance.These results position BARG as a robust, scalable solution for graph modelling in histopathology image analysis, suitable for broader applications in computational pathology.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».