用生成性人工智能和基础模型的力量彻底改变数字病理学
Asim Waqas1, Marilyn M Bui2, Eric F Glassy3
1Department of Machine Learning, H. Lee Moffitt Cancer Center and Research Institute, Tampa, Florida; Department of Electrical Engineering, University of South Florida, Tampa, Florida.
Laboratory investigation; a journal of technical methods and pathology
|September 27, 2023
概括
基础模型和生成人工智能为数字病理学提供了变革性的潜力. 这些先进的AI系统可以克服特定任务模型的局限性,提高像图像分析和诊断等任务的效率和客观性.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 数字病理工作流程 数字病理工作流程
背景情况:
- 数字病理学利用全幻灯片成像进行计算机辅助分析,使计算病理学成为可能.
- 任务特定的AI/ML模型,如CNN,表现出高性能,但需要大量的注释数据,缺乏概括性.
- 局限性包括数据依赖性,无法使用多式联运数据,以及对新数据集或变异的概括性差.
研究的目的:
- 审查由特定任务的人工智能驱动的计算病理学的进步及其挑战.
- 引入基础模型和生成人工智能作为解决病理学当前人工智能局限性的解决方案.
- 为变革性应用提出基于多式联网基础模型的病理特异性生成AI.
主要方法:
- 针对特定任务的AI用于计算病理学的最新进展的审查.
- 基础模型和生成性AI概念的介绍和解释.
- 针对病理学量身定制的基于多式联络基础模型的生成人工智能的建议.
主要成果:
- 特定任务的AI/ML模型面临着数据注释,多式联运数据集成和概括方面的挑战.
- 基础模型提供了在文本学习,自我纠正和适应性,使用更少的注释数据.
- 基于多式联网基础模型的生成人工智能可以提高病理学任务的客观性和效率.
结论:
- 生成型人工智能,特别是来自多式联络基础模型的病理特异模型,对数字病理学具有重大前景.
- 这些人工智能系统可以作为病理学家的专家伙伴,协助图像分析,报告生成,诊断和预后.
- 基础模型和生成AI可以标准化病理学工作流程,教育和培训.


