Jun, 2023

病理实验室数字化：经验教训综述

PDF
TL;DR本文总结了数字化病理实验室中数字工作流程的各个方面，包括数字案例管理、数字切片阅读和计算机辅助切片阅读方面带来的挑战及应对方法，旨在帮助病理学家、IT 决策者和管理人员从其他人的经验中受益，以最优方式实施数字化过程，使自己的实验室具有未来的可持续性。
pathologydigital workflowslab efficiencydigital case managementcomputer-aided slide reading
发现论文，激发创造
  • 为低资源环境重新思考组织学切片数字化工作流程

    本研究提出了一种新的云数字切片工作流，通过上传低质量视频从廉价且便宜的显微镜中获取整张扫描仪质量的全切片图像（WSIs）。

    May, 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

  • 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

  • 朝着增强病理学家：数字病理学中可解释 AI 的挑战

    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。

    Dec, 2017

  • 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

  • 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

  • HistoColAi：基于人工智能驱动预测整合的数字组织学图像协同注释开源 Web 平台

    本文提出了一种网络服务来可视化和注释数字化组织学图像，并通过一个以多个注释器为中心的用例来展示和验证该工具，同时提出了一个可用性研究，证明了该工具的可行性。

    Jul, 2023

  • 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

  • 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

  • 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