Estabelecimento de uma nova metodologia para a avaliação da depleção linfóide folicular da bolsa de Fabricius através análise digital de imagem e de redes neurais artificiais
Bibliographic record
Abstract
A avicultura industrial apresenta altos índices produtivos, caracterizando-se pela alta tecnificação e pela eficiência. Inúmeros fatores podem prejudicar estes resultados, dentre os mais importantes citam-se as doenças imunodepressoras, as quais são agentes primários para o estabelecimento de inúmeros patógenos capazes de agravar o quadro clínico das aves, elevando ainda mais as perdas. Em vista disso, resolveu-se estudar um método mais eficaz para a determinação da depleção linfocitária da bolsa de Fabricius, órgão fundamental para a proliferação e maturação de linfócitos B. Dentre as doenças que mais acometem a bolsa de Fabricius citam-se a doença infecciosa da bolsa de Fabricius, as micotoxicoses e a anemia infecciosa. Foram utilizadas 50 amostras de bolsa de Fabricius coletadas intactas, processadas e o escore óptico de depleção estabelecido (de 1 a 5). As bolsas foram divididas em quadrantes e 12 folículos selecionados por amostra. As imagens foram adquiridas, analisadas com o software MATLAB® 6.5 e suas características extraídas. Com os dados foram geradas redes neurais (NEUROSHELL®), comparando-se os escores óticos e a classificação realizada pela rede. A rede foi capaz de classificar corretamente com alta sensibilidade (até 89,81%) e especificidade (até 96,17%) a maioria dos folículos, tendo um melhor desempenho utilizando-se três categorias (sensibilidade de até 79,39% e especificidade de até 91,94%) e duas categorias (sensibilidade e especificidade chegando a 92,54%). Os resultados mostraram que é possível a utilização de análise de imagem e redes neurais para a classificação histopatológica de depleção linfocitária da bolsa de Fabricius. A análise de imagem é uma ferramenta prática, com resultados objetivos, dimensiona o erro classificatório e padroniza a avaliação da depleção linfocitária bolsa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".