一个病理学家-AI合作框架,以提高诊断准确性和效率
Zhi Huang1,2, Eric Yang1, Jeanne Shen1
1Department of Pathology, Stanford University School of Medicine, Stanford, CA, USA.
Nature biomedical engineering
|June 19, 2024
概括
病理学中的人工智能 (AI) 面临着数据和透明度的挑战. 通过使用主动学习和人类反,nuclei.io框架提高了数字病理学应用中的诊断准确性和效率.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能.
- 计算病理学计算病理学
背景情况:
- 人工智能在临床病理学中的部署受到数据收集问题以及缺乏模型透明度和可解释性的阻碍.
- 为病理学开发强大的AI工具需要有效的方法来创建各种数据集和可解释的模型.
研究的目的:
- 引入 nuclei.io,一个数字病理学框架,旨在克服人工智能数据收集和模型可解释性的局限性.
- 通过涉及人工智能和病理学家之间的合作的用户研究来验证nuclei.io的有效性.
主要方法:
- nuclei.io 框架结合了主动学习和人身循环实时反机制.
- 框架验证涉及两项交叉用户研究,重点关注子宫内膜活检中的血细胞识别和淋巴结中的结直肠癌转移检测.
主要成果:
- 在这两项验证研究中,nuclei.io框架在诊断性能上取得了显著的改善.
- 使用nuclei.io的AI和病理学家之间的协作方法提高了诊断准确性和运营效率.
结论:
- nuclei.io框架有效地解决了数字病理学AI实施的关键挑战.
- 临床医生和人工智能系统之间的加强合作对于提高病理诊断的准确性和效率至关重要.
