Jun, 2023

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

PDF
TL;DR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%。
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

  • 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

  • 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

  • 评估病理学 AI 解决方案的测试数据集建议

    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。

    Apr, 2022

  • 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

  • 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

  • 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

  • 高容量脑神经影像异常检测的人工智能：系统综述与荟萃分析

    大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

    May, 2024

  • 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