Nov, 2019

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • Yottixel -- 用于大量组织病理学切片图像的图像搜索引擎

    本文提出了一种数字病理学搜索引擎 Yottixel，它能够以紧凑的方式代表全切片图像，并使用“条形码组合”（BoB）的算法进行智能编码以实现在大型档案中快速准确地搜索病例。测试结果表明，Yottixel 可以精确地检索器官和恶性肿瘤，并显示其语义排序与人类观察者的主观评估具有很好的一致性。

    Nov, 2019

  • 基于人工智能的组织病理学图像癌症检测和分类：系统综述

    本研究通过系统文献综述，总结了癌症诊断的最新技术，关注了人工智能及其在自动癌症诊断方面的发展，总结了相关文献，并对其局限性提出了新的研究方向。

    Jan, 2022

  • 计算病理学：综述与前景

    对超过700篇论文进行综述，概述了计算病理学（CoPath）的发展，并提出了包括数字诊断、癌症图像分析、深度学习在内的挑战。总结循环阶段中数据、模型和应用等不同的问题，并提供未来技术发展和临床整合的方向。

    Apr, 2023

  • 组织病理学切片索引与搜索：已到达目的地吗？

    本文通过调查三款最先进的组织病理学幻灯片搜索引擎，对三种实体肿瘤患者的搜索和提取进行了临床评估，发现当前搜索引擎在识别病理学上仍存在困难，因此提出了一些最小化的要求，旨在进一步促进准确和可靠的医学组织病理学图像搜索引擎的发展。

    Jun, 2023

  • 基于深度网络的WHO乳腺分类中肿瘤判别的搜索与匹配初步研究

    通过使用深度学习模型，我们对WHO乳腺肿瘤分类进行了索引和分析，以建立一个可搜索的数字化癌症图谱，从而研究常见和罕见乳腺病变之间的复杂关系。

    Aug, 2023

  • 人工智能在前列腺癌病理学中作为病理学家数字化复制品的关键评估

    通过对前列腺癌组织的病理学图像进行分析，我们测试了一个名为vPatho的基于人工智能的数字病理学模型，结果表明它在前列腺癌的检测和肿瘤体积估算方面取得了可比较的性能，同时揭示了诸多影响肿瘤分级不一致性的因素。

    Aug, 2023

  • 数字病理学中无旋转偏见的图像表示学习

    本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个Transformer块和900万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在12个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。

    Nov, 2023

  • 组织病理学图像搜索引擎的分析和验证

    在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH和RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。

    Jan, 2024

  • 关于组织病理学图像搜索

    通过相似性计算，利用病理组织学的病理图像可以在研究和临床环境中进行病人之间的匹配，最近的搜索技术进展为细胞结构的定量化提供了可能，可实现不同组织类型的比较，从而对诊断、预后和新患者的预测提供推论，本文综述了用于计算病理学研究中高效、快速和有效的图像搜索方法的最新发展。

    Jan, 2024

  • 计算病理学中嵌入聚合方法的基准测试：临床数据视角

    通过对10种聚合技术在9个临床相关任务中的全面测试分析，结果显示领域特定的基于自我监督学习的模型比基于ImageNet的模型在聚合方法方面表现更好，但空间感知的聚合器仅在使用基于ImageNet预训练模型时才显著提高性能。同时，没有单一模型在所有任务中表现优秀，空间感知模型也不如预期一般表现卓越，这些发现强调了对更具适应性和普适性的聚合技术的需求，以指导未来临床病理学中医学人工智能不断发展的需求。

    Jul, 2024