An automated approach for segmenting regions containing invasive ductal breast carcinomas in whole digital slides
Notice bibliographique
Résumé
Le carcinome canalaire infiltrant (CCI) représente le type de cancer du sein le plus fréquent et agressif chez les canadiennes. Parmi les procédures diagnostiques, les pathologistes doivent classer les propiétés microscopiques du cancer en suivant la modification Nottingham du system Scarff-Bloom-Richardson. Malgrè que le système soit assez fiable, il existe un intérêt croissant pour une méthode qui le reproduit de façon automatisée afin de pouvoir offrir du soin constant envers tous les patients. Notre thèse présente une solution pour détecter la présence de CCI dans les images de tissue microscopique, ou lames virtuelles. Cela représente la première étape d'une solution plus complète avec l'objectif de classifier le CCI automatiquement. D'abords, le détecteur réduisit les lames virtuelles en petits morceaux pour lesquels les caractéristiques de l'image furent extraites, notamment la couleur, les motifs binaires locaux, et les histogrammes de gradients orientés. Ceux-ci ont étés analysés par une forêt d'arbres décisionnels, qui fut formée et mise à l'épreuve en utilisant 66 cas diagnostiqués de CCI. Lorsqu'il a été formé avec 50 cas, le détecteur fut 85% sensible et 92% spécifique. De manière générale, les résultats semblaient assez convaincantes pour pouvoir intégrer notre détecteur au sein d'une solution plus compléte et équipée de composants capables d'analyser la tissue cancéreuse à une amplification plus élevée afin d'obtenir un classement histopathologique de façon automatique.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».