在数字病理学中的机器学习

科学领域:

• 数字病理学数字病理学
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 病理学的数字化正在迅速推进.
• 机器学习 (ML) 和人工智能 (AI) 系统的临床实施落后于研究.
• 需要弥合ML/AI开发与病理学临床实践之间的差距.

研究的目的:

• 提供关于在数字病理学中开发和部署学习系统的全面概述.
• 解决处理数字病理学数据的技术挑战和潜在陷.
• 概述ML/AI在病理学方面的当前和未来发展.

主要方法:

• 数字病理学数据特征的描述 (扫描仪,扫描,存储,传输,质量控制,注释).
• 对查看数字幻灯片和使用学习系统实施诊断程序的软件解决方案的审查.
• 解释常见任务,大型扫描的ML方法修改和诊断应用.

主要成果:

• 介绍了数字病理学数据处理中的技术挑战的当前方法.
• 突出了数据处理中的潜在陷.
• 概述了包含学习系统的现有软件和诊断应用程序.

结论:

• 了解数字病理学数据的细微差别对于成功实施ML/AI至关重要.
• 应对技术挑战可以促进学习系统的采用.
• 未来的发展包括大型基础模型和虚拟染色,有望进一步进步.