在下一代细胞病理学中面向人工智能应用
Enrico Giarnieri1, Simone Scardapane2
1Cytopathology Unit, Department of Clinical and Molecular Medicine, Sant'Andrea Hospital, Sapienza University of Rome, Piazzale Aldo Moro 5, 00189 Rome, Italy.
Biomedicines
|August 26, 2023
概括
计算病理学和机器学习,包括深度学习,增强细胞学诊断. 像人工智能,AR和VR这样的创新承诺,尽管存在数据和培训挑战,但细胞病理学将实现超数字化转型.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 细胞病理学 细胞病理学
背景情况:
- 20多年来,机器学习和神经网络已经推进了图像分析.
- 深度学习算法在各种领域提供准确的分类,检测和细分.
- 这些技术越来越多地应用于数字病理学和细胞病理学,以进行高效的诊断.
研究的目的:
- 探索计算病理学和机器学习方面的创新如何改变细胞病理学.
- 讨论人工智能技术的整合,如增强/虚拟现实和计算语言学在医疗保健.
- 突显细胞病理学中超数字化转型的潜力.
主要方法:
- 审查机器学习和用于图像分析的神经网络的进步.
- 讨论深度学习在细胞病理学中的应用,用于细胞分析和诊断.
- 探索整合人工智能与增强/虚拟现实和计算语言学的探索.
主要成果:
- 机器学习和深度学习在图像分类,检测和细分方面表现出了显著的准确性.
- 由人工智能驱动的技术为高效的细胞学诊断和大型数据库查询提供了可行的解决方案.
- 与下一代技术的整合可以支持医疗保健中的教育,诊断和治疗.
结论:
- 计算病理学和机器学习正在彻底改变细胞病理学,超越传统显微镜.
- 人工智能集成有望实现超数字化转型,增强诊断能力.
- 关键的挑战包括需要大量数据集,新的数据共享协议和病理学家培训.
