Deep Learning for Cell Segmentation in Cervical and Vaginal Samples
Notice bibliographique
Résumé
Deep Learning has emerged as a quintessential tool for the 21st century. Herein, current state-of-the-art deep learning methods for image analysis are employed alongside a hardware platform to two sample types in the field of sexual and reproductive health: cervical cytobrush samples and vaginal swab samples. These samples constitute hurdles that are of paramount importance for healthcare but are neglected by the scientific community due to the difficulty inherent in their acquisition and processing.The common thread for this work is segmentation of cells, but the applications are unique. First, a hardware platform is introduced that uses digital microfluidics alongside a Q-switched laser to acquire the contents of a single cell for downstream processing. Cells are selected for lysis via a deep learning segmentation model, and it is shown that the contents retrieved are suitable for downstream analysis by genomics, transcriptomics, or proteomics. A paper describing this Digital Isolation of Single Cells for ‘Omics (DISCO) platform was published. Second, the difficulty of identifying cells in cervical cytobrush samples for analysis is addressed. Cervical cytobrush samples have great potential for non-invasive prenatal testing. However, these samples also contain a comparatively overwhelming number of maternal cells. A deep-learning – and machine learning – method is introduced and discussed as a potential method for discerning fetal from maternal cell type via morphological and fluorescent marker affinity characteristics. Finally, the problem of identifying cells in vaginal swab samples is examined, focusing on the processing of evidence in sexual assault crimes. In this context, a critical first step is the detection and quantification of sperm cells – which serves to inform technicians of the validity of the claimant’s statement, the time since the event occurred, and the care that will be required to process the sample – with low cell number samples requiring higher care. Presented here is a fully automated deep-learning method that uses only brightfield microscopy to quantify sperm cells within vaginal swab samples in less than 10 minutes.
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 | 0,000 |
| 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 | 0,001 | 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 ».