将基于组织的人工智能转化为临床实践:从发现到采用

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 生物医学成像技术 生物医学成像技术
• 人工智能的人工智能

背景情况:

• 数字病理学 (DP) 涉及对病理学图像进行数字化,以加强瘤学研究和诊断.
• 应用于数字病理学图像的人工智能 (AI) 和机器学习 (ML) 改善了形态解释和生物标志物量化.
• 组织分析中的人工智能为癌症生物标志物发现提供了新的概念,例如细胞元素的空间分布.

研究的目的:

• 探索AI和ML在癌症诊断和研究的数字病理学中的变革性影响.
• 讨论各种AI方法,包括深度学习卷积神经网络和多个实例学习,用于组织分析.
• 突出DP/AI如何重塑临床试验,诊断工具认证和新癌症生物标志物的开发.

主要方法:

• 在数字病理学图像分析中对AI和ML应用的审查.
• 讨论不同的AI概念方法:语言建模和图像分析 (例如,深度学习卷积神经网络,多实例学习).
• 分析AI在病理学工作流程,生物标志物量化和治疗预测中的作用.

主要成果:

• 人工智能和机器学习显著提高了数字病理学中生物标志物的形态和定量解释.
• 人工智能有助于发现新的癌症生物标志物,并提高瘤检测和分级的诊断准确性.
• DP/AI应用开始改变临床试验方法和基于图像的生物标志物的开发.

结论:

• 数字病理学与人工智能结合,代表了癌症生物标志物发现和诊断的新范式.
• 病理学中的AI为改善癌症护理提供了强大的工具,从诊断到治疗预测.
• 整合DP/AI需要对设备开发,监管流程和诊断工具的临床验证进行新的考虑.