Apr, 2022

评估病理学 AI 解决方案的测试数据集建议

PDF
TL;DR人工智能在数字组织学图像中的自动信息提取已被证明可以改善病理诊断。然而，在正式使用前，需要评估其预测性能并获得监管机构的认可，而这需要恰当的测试数据集，本文总结了病理测试数据集的一般建议，旨在帮助人工智能开发者证明其产品的实用性，并帮助监管机构和最终用户验证所报导的性能指标。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 重新思考病理学中机器学习模型的评估

    该论文提出了一套实用的机器学习评估指南，旨在应对病理图像应用中存在的各种问题，包括标签变异性、领域偏移、鲁棒性和混淆变量等，以进一步改善患者结果。

    Apr, 2022

  • PathVQA: 医学视觉问答的 30000 + 问题

    本研究论文旨在探讨是否可以培养出一个 AI 病理学家，以通过美国病理学委员会认证考试，在此目标下，研究第一步是创造一个视觉问答数据集，本文将尝试构建一个病理 VQA 数据集，用自然语言处理等方法从病理学教科书和在线数字库中提取病理图像和标题，并生成问答对，最终收集了 32,799 个来自 4,998 个病理图像的开放性问题，这是公开发布的第一个用于病理学 VQA 的数据集。

    Mar, 2020

  • 基于人工智能的临床级组织病理学异常检测

    通过提出一种深度异常检测方法，以仅需常见疾病的训练数据为基础，可可靠地检测出胃肠活检中异常病理变化的广泛谱系，包括罕见的原发性或转移性癌症，从而在临床病理学中实现了基于人工智能的异常检测的首个有效临床应用，有效地提高了 AI 模型的安全性，推动了 AI 在日常诊断和其他领域的应用与自动化。

    Jun, 2024

  • 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

  • 卵巢癌组织病理学中的人工智能：一项系统综述

    该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。

    Mar, 2023