18 статей
Исследование демонстрирует успешное внедрение ИИ-инструмента поддержки принятия решений в цифровую патологию для диагностики биопсии простаты. Использование ИИ позволило сократить время постановки диагноза на 30% и снизить потребность в иммуногистохимических исследованиях на 38% при сохранении высокой точности.
В данной статье представлен инновационный подход к цифровой патологии, основанный на использовании федеративного обучения (Federated Learning) с применением глубоких признаковых подсказок (deep feature prompts). Исследование направлено на решение проблемы конфиденциальности данных при обучении моделей на распределенных медицинских наборах данных, что критически важно для патологоанатомических исследований. Предложенная методология позволяет масштабировать процесс обучения, минимизируя необходимость передачи чувствительных изображений тканей между учреждениями. Использование механизмов prompt-learning в контексте глубоких признаков обеспечивает высокую точность классификации патологических состояний даже при ограниченных локальных данных. Результаты демонстрируют, что предложенная архитектура превосходит стандартные методы федеративного обучения по показателям гибкости и адаптивности к различным типам цифровых слайдов. Данная технология имеет высокую практическую значимость для создания глобальных диагностических систем, способных обучаться на разнообразных популяциях без нарушения законодательства о защите персональных данных.
Исследование посвящено практическому внедрению коммерческой ИИ-платформы (AIRAQc) для автоматического контроля качества цифровых гистопатологических слайдов. Система показала высокую точность в обнаружении артефактов (складки ткани, пузырьки воздуха) и стабильную работу при обработке более 6000 слайдов в день.
Исследование представляет метод автоматической сегментации гистопатологических изображений с использованием архитектуры DeepLabV3+ и смартфонов в качестве микроскопов. Разработанная модель показала высокую точность (Dice: 93.1%) в выявлении 21 класса признаков рака шейки матки, превзойдя базовую архитектуру U-Net.
Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.
Обзор посвящен возможностям и барьерам внедрения цифровой патологии (DP) в условиях Индии. Рассматриваются такие аспекты, как ИИ-ассистированная диагностика, телепатология и проблемы инфраструктуры, а также стратегии преодоления трудностей для повышения точности диагностики.
Статья систематизирует технические и регуляторные требования к мониторам, используемым патологами при переходе от стеклянных препаратов к цифровым сканам (WSI). Авторы анализируют различия между медицинскими и профессиональными дисплеями, подчеркивая важность цветопередачи, стабильности яркости и строгого контроля качества.
Разработана модель глубокого обучения для быстрой классификации органов по гистологическим препаратам (H&E) с использованием низкоразрешенных миниатюр. Метод позволяет проводить автоматизированный контроль качества цифровых архивов, выявляя ошибки маркировки образцов менее чем за секунду.
Представлен новый метод REMIL-IBD для автоматизированной оценки активности воспалительных заболеваний кишечника (ВЗК) на основе цельных гистологических изображений. Использование предобученных фундаментальных моделей позволяет достичь точности 82–84% при классификации степени тяжести заболевания, обеспечивая при этом интерпретируемость результатов.
Разработан новый вычислительный фреймворк TIMEL, использующий глубокое обучение для анализа микроокружения опухоли на гистологических изображениях. Исследование показало, что пространственные характеристики иммунных и опухолевых клеток позволяют эффективно прогнозировать выживаемость и риск метастазирования.
Компания Roche объявила о приобретении PathAI, специализирующейся на цифровой патологии и технологиях на базе ИИ. Сделка направлена на автоматизацию диагностических процессов, улучшение точности диагностики рака и развитие прецизионной медицины.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.
В статье описываются результаты тестирования интероперабельности стандартов DICOM для полнослойного сканирования (WSI) в цифровой патологии. Участники проверили процессы передачи данных между сканерами, архивами и просмотрщиками, включая передачу аннотаций, созданных человеком и алгоритмами ИИ.
Leica Biosystems представила сканер для цифровой патологии с интегрированным ИИ-программным обеспечением для автоматического контроля качества. Система автоматически обнаруживает артефакты на слайдах и ускоряет процесс QC на 69%, что критично для онкологических исследований и диагностики.
Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.
Статья рассматривает проблемы внедрения ИИ в цифровую патологию, подчеркивая необходимость стандартов для обеспечения интероперабельности и устойчивости. На основе обсуждения с экспертами предложены семь взаимосвязанных областей практики для создания согласованной системы стандартов. Авторы подчёркивают, что успешная реализация ИИ-решений в патологии зависит от достижения определённого уровня унификации практик.
Статья представляет собой комплексный обзор использования цифровой патологии и ИИ-ориентированных рабочих процессов в клинических испытаниях. Рассматриваются преимущества внедрения цифровой патологии, практические применения ИИ и вычислительной патологии, а также регуляторные аспекты. Описывается интеграция геномики, ИИ, анализа изображений и радиологии для улучшения результатов клинических испытаний.
Исследование применяет ансамбль U-Net для автоматической сегментации коллагена на гистологических срезах печени с оценкой неопределённости предсказаний. Анализ 686 биопсий из 20+ клиник показал высокую точность сегментации (Dice 0.83–0.90) и продемонстрировал, что оценка неопределённости помогает выявлять некачественные изображения и артефакты.
