我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
组织微阵列技术的最新进展使免疫组织化学成为一种强大的中高通量分析工具,特别是用于验证诊断和预后生物标记物。然而,随着研究规模的增长,这些分析的手动评估成为一个令人望而却步的限制;它大大降低了吞吐量,大大增加了可变性和费用。我们提出了一种算法——问题阵列共现矩阵分析(TACOMA)——用于根据局部像素间关系总结的纹理规则量化细胞表型。该算法可以很容易地针对任何染色模式进行训练,没有敏感的调整参数,并且能够报告图像中有助于得分的显著像素。病理学家通过信息训练补丁的输入是算法的一个重要方面,该算法允许对任何特定标记或细胞类型进行训练。通过联合训练,对于非常小的训练样本(例如,大小为$30$),TACOMA的错误率可以大大降低。当特征之间存在“足够”的冗余时,我们通过在高维环境中细化特征集,对联合训练的成功进行了理论分析。TACOMA具有灵活性、透明性,提供了一个可以清晰、自信地进行评估的评分过程。在一项基于雌激素受体(ER)标记物的研究中,我们表明TACOMA在准确性和重复性方面与病理学家的表现相当或优于病理学家。
颜东辉。 王培。 迈克尔·林登。 比阿特丽斯·克努森。 蒂莫西·兰多夫。 “组织阵列图像的统计方法——算法评分和联合训练。” 附录申请。斯达。 6 (3) 1280 - 1305, 2012年9月。 https://doi.org/10.1214/12-AOAS543