人工智能病理学公共数据库:系统审查
Aniketh Reddy Chinnachinnanagari1, Shyam Sundar Debsarkar1, V B Surya Prasath2
1Department of Computer Science, University of Cincinnati, Cincinnati, OH, 45221, USA.
Journal of imaging informatics in medicine
|March 10, 2026
概括
这项研究审查了151个公开的人体病理学数据集用于人工智能 (AI) 研究. 它将数据集分类并分析关键数据集,以帮助AI模型开发用于癌症诊断和治疗.
科学领域:
- 数字病理学数字病理学
- 计算性组织病理学
- 人工智能在医学中的应用
背景情况:
- 组织病理学对于疾病诊断至关重要,特别是癌症,影响患者的治疗.
- 数字病理学中的人工智能 (AI) 提高了诊断速度,准确性和可扩展性.
- 结构良好的,注释的组织病理学数据集对于在病理学中推进AI至关重要.
研究的目的:
- 为人工智能和机器学习研究提供公开可用的基因病理学数据集的全面概述.
- 根据各种参数对数据集进行分类,并分析流行的例子.
- 引导研究人员选择合适的数据集,用于开发AI模型的计算病理学.
主要方法:
- 对公开可用的基因病理学数据集进行系统审查.
- 识别和收集151个不同的组织类型和癌症相关数据集.
- 数据集按患者数量,器官,染色,放大,扫描仪,大小,收集方法,年份和分辨率进行分类.
- 对关键数据集的分析,如CAMELYON,TUPAC,MIDOG,MoNuSeg和BreakHis. 这样的数据集.
主要成果:
- 编制了151个适合人工智能研究的组织病理学数据集的精选列表.
- 数据集被全面分类,详细说明其特征和潜在应用.
- 分析突出了流行的数据集及其在计算病理学中的特定用途.
- 确定了当前数据集可用性的缺口,特别是用于多式联运数据集成.
结论:
- 本综述为计算病理学研究人员提供了有价值的资源,有助于为AI模型开发选择数据集.
- 标准化图像和解决数据缺口,特别是多式联网数据,将提高AI模型的通用性和可重复性.
- 促进协作和改善数据集的可访问性是推动人工智能驱动的病理诊断的关键.