Accès ouvert déclaré 2022 preprint

Interpretable Deep Learning Predicts the Molecular Endometrial Cancer Classification from H&E Images: A Combined Analysis of the Portec Randomized Clinical Trials

Sarah Fremond, Sonali Andani, Jurriaan Barkey Wolf, Jouke Dijkstra, Sinead Melsbach, Jan J. Jobsen, Mariël Brinkhuis, Suzan Roothaan, Ina M. Jürgenliemk‐Schulz, Ludy Lutgens, Remi A. Nout, Elzbieta M. van der Steen‐Banasik, Stephanie M. de Boer, Melanie Powell, Naveena Singh, Linda Mileshkin, Helen Mackay, Alexandra Léary, Hans W. Nijman, Vincent T.H.B.M. Smit, Carien L. Creutzberg, Nanda Horeweg, Viktor H. Koelzer, Tjalling Bosse

1Citations signalées, ce qui n’est pas une note de qualité

20Institutions déclarées

6Pays d’affiliation déclarés

Rattachement africain : nl, ch, gb, au, ca, fr. Niveau de preuve : code pays fourni par la source.

Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé, mais le titre doit être comparé manuellement.

Titre Crossref: Interpretable Deep Learning Predicts the Molecular Endometrial Cancer Classification from H&E Images: A Combined Analysis of the Portec Randomized Clinical Trials
Date Crossref: 01/01/2022
Éditeur: Elsevier BV
Type: posted-content

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Les institutions déclarées

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Endometrial and Cervical Cancer TreatmentsRadiomics and Machine Learning in Medical ImagingCervical Cancer and HPV Research

Lire en accès ouvert Consulter la publication primaire Ouvrir le DOI