301P A multi-output deep learning model for predicting EndoPredict genomic scores from digitalized histopathological slides of breast tumor specimens
Rattachement africain : it, tr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Multigene assays, such as EndoPredict (EP), play a pivotal role in tailoring adjuvant therapy for estrogen receptor–positive (ER+), HER2– early-stage breast cancer. However, their clinical use is limited by high costs, infrastructure requirements, and accessibility issues. Recent advances in artificial intelligence (AI) suggest that histopathological whole-slide images (WSIs) can serve as surrogates for genomic signatures, potentially offering a cost-effective alternative. We developed multi-output deep learning architecture (MO-net), the first deep learning pipeline to predict both the binary EP risk classification and the continuous molecular score directly from breast tumor hematoxylin–eosin (H&E) stained WSIs.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- 301P A multi-output deep learning model for predicting EndoPredict genomic scores from digitalized histopathological slides of breast tumor specimens
- Date Crossref
- 01/11/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
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.