数字病理学中的可复制性和可解释性:需要使黑盒人工智能系统更加透明

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 人工智能 (AI),机器学习 (ML) 和深度学习 (DL) 的整合正在改变数字病理学领域.
• 高分辨率扫描仪可以分析数字全幻灯片图像 (WSI),将病理学工作流从传统显微镜转向计算方法.
• 病理学家面临的学习曲线是过渡到人工智能驱动的工具来进行WSI分析,而无需专门培训.

研究的目的:

• 探索AI,ML和DL算法的应用和影响,用数字全幻灯片图像 (WSI) 分析病理组织.
• 突出人工智能驱动工具的潜力,以提高诊断准确性和病原体学的一致性.
• 为了强调AI在检测生物标志物的作用,例如微卫星的不稳定性,从H&E染色的部分.

主要方法:

• 机器学习 (ML) 和深度学习 (DL) 算法的应用,用于分析数字整片图像 (WSI).
• 利用人工智能驱动的模型来处理和解释来自H&E染色部分的遗传病理数据.
• 开发和实施用于先进组织分析的计算工具.

主要成果:

• 人工智能,ML和DL算法已成功应用于数字病理学中作为分析病理组织的先进工具.
• 由人工智能支持的WSI方法代表了计算病理学的重大转变.
• 由人工智能驱动的模型提供一致的结果,并支持检测多个生物标志物,包括微卫星不稳定性,这通常是专家病理学家错过的.

结论:

• 人工智能,ML和DL都是强大的工具,通过WSI分析来增强人类病理学的诊断过程.
• 这些人工智能技术为病理学家提供了宝贵的支持,改善了关键生物标志物的检测.
• 在数字病理学中采用人工智能有望带来更一致,更准确的诊断结果.