Dec, 2017

朝着增强病理学家：数字病理学中可解释 AI 的挑战

PDF
TL;DR数字病理学结合人工智能和机器学习可实现癌症诊断、预后和预测的提高，但需要综合运用人工智能和人类专家的智慧。
digital pathologyartificial intelligencemachine learninghuman expertcancer diagnosis
发现论文，激发创造
  • 数字与计算病理学的人工智能

    数字化组织切片和人工智能，特别是深度学习的快速进展，推动了计算病理学领域的发展。这篇综述总结了计算病理学领域近期的方法学进展，重点介绍了这些发展如何使临床实践自动化，并可发现新的生物标志物。作者还提供了未来展望，指出该领域将扩展到更广泛的临床和研究任务，并涉及越来越多样化的临床数据模态。

    Dec, 2023

  • 数字病理学中 XAI 的调查

    本文针对数字病理学领域提出了透明的人工智能算法（XAI）进行调研，将当前一些 XAI 技术与数字病理学的特定需求相结合，以指导未来的研究努力，建立跨学科讨论的共同基础。

    Aug, 2020

  • 超越多实例学习：全分辨率全内存端到端病理切片建模

    人工智能（AI）在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据，处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战，通常被分成数万个较小的瓷砖进行分析。我们提出了一种新方法，通过在内存中全面高分辨率地同时训练瓷砖编码器和整个切片聚合器来解决这个问题，弥合了输入和切片级监督之间的差距。虽然计算成本更高，但详细的定量验证显示了病理基础模型的大规模预训练的前景。

    Mar, 2024

  • 计算肿瘤病理学中机器学习方法的综述、挑战和前景

    本研究综述了计算病理学在肿瘤筛查、诊断和预后应用方面面临的挑战和前景，给出了从病理和技术角度的图像预处理方法和基于机器学习的方法，以及在乳腺、结肠、前列腺、肺和各种肿瘤疾病场景中应用计算病理学的情况。

    May, 2022

  • 组织病理学图像分析的机器学习方法

    本文介绍了使用机器学习算法分析数字病理学图像的应用，解决数字病理学图像及相关任务中存在的问题，并提出了可能的解决方案。

    Sep, 2017

  • AI 与病理学：引导治疗和预测结果

    本文介绍了数据分析方法、计算能力和传感器的结合，可实现定量细胞层面上的多尺度分析，着重论述了针对人类组织分析的一类 AI 方法 —— 组织病理学，旨在定量表征疾病状态、患者预后预测和治疗指导的应用挑战。

    Jun, 2022

  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • Virchow：百万切片数字病理基础模型

    使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

    Sep, 2023

  • 利用临床级性能准备数据，以用于病理人工智能

    该研究通过回顾 PubMed 数据库中 2017 年 1 月至 2022 年 2 月的研究，并进行 118 项研究的深入分析，总结出了数字病理学是临床级 PAI 的基础，数据标准化和基于全体切片图像的弱监督学习技术是克服临床效果不可复现的有效方式，其中代表性数据、标记数量和多中心一致性是性能重现的关键。

    May, 2022

  • 数字病理学中人工智能诊断测试准确度的系统综述、荟萃分析和质量评估

    本系统性评价及 Meta 分析收集了 2976 篇关于基于人工智能应用于数字病理学影像诊断的论文，并汇总了 100 篇研究的结果，通过对 152,000 张全幅切片图像进行分析，评估了 AI 模型的诊断精度，结果表明在整个病理领域中，AI 模型的平均灵敏度为 96.3%，平均特异度为 93.3%。

    Jun, 2023