数字组织病理学的生成对抗网络:当前的应用,局限性,伦理考虑和未来的方向
Shahd A Alajaji1, Zaid H Khoury2, Mohamed Elgharib3
1Department of Oncology and Diagnostic Sciences, University of Maryland School of Dentistry, Baltimore, Maryland; Department of Oral Medicine and Diagnostic Sciences, College of Dentistry, King Saud University, Riyadh, Saudi Arabia; Division of Artificial Intelligence Research, University of Maryland School of Dentistry, Baltimore, Maryland.
生成对抗性网络 (GAN) 通过为罕见疾病创建现实的显微镜图像并协助诸如斑点正常化等预处理任务来增强数字基因病理学. 伦理考虑和数据质量对于负责任的实施至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 数字病理学数字病理学
- 医疗成像医学成像
背景情况:
- 生成对抗网络 (GAN) 是用于现实的图像合成的先进人工智能模型.
- GANs包括一个生成器和一个被对抗训练的歧视器.
- 他们在计算机视觉方面的成功表明了医学诊断的潜力.
研究的目的:
- 审查GAN在数字遗传病理学中的新兴应用.
- 检查在这个领域使用GANs的潜在好处和挑战.
- 突出与合成医学图像相关的伦理考虑.
主要方法:
- 关于数字病理学中的GANs当前文献的综述.
- 分析GAN应用程序,包括图像合成和增强.
- 讨论道德的含义和限制.
主要成果:
- GAN显示出产生现实的显微镜图像的前景,有助于罕见疾病的可视化和学习.
- 应用包括图像增强技术,如颜色正常化,虚拟染色和文物删除.
- 确定了关于合成数据,偏见,隐私和问责制的伦理问题.
结论:
- 对于数字病理学的转变,GANs具有显著的潜力,特别是对于预处理增强.
- 仔细评估数据质量,偏见,隐私和透明度至关重要.
- 制定明确的法规对于GAN在组织病理学中的伦理应用至关重要.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
05:22Author Spotlight: Enhanced Multiplex Immunofluorescent Microscopy Protocol for Neuroscience Research
Published on: June 21, 2024
