An automated approach for segmenting regions containing invasive ductal breast carcinomas in whole digital slides
Bibliographic record
Abstract
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.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
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".