Jul, 2023

数字病理扫描仪的物理颜色校准，用于稳健的人工智能辅助癌症诊断

PDF
TL;DR本研究探讨通过物理颜色校准扫描仪，以标准化全幻灯切片图像外观并提高人工智能模型校准和 Gleason 评分表现的方法，从而使人工智能在癌症诊断方面应用变得更加可靠和适用于临床设置。
artificial intelligencedigital pathologywhole slide imagescolor calibrationprostate cancer diagnosis
发现论文，激发创造
  • 数字病理学中的鲁棒图表学习

    本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

    Oct, 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

    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

  • 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

  • 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

  • 数字病理学中的医院不可知图像表示学习

    本研究使用领域泛化技术改善深度神经网络的泛化能力，使其能够处理来自不同医院和实验室的 WSIs 和组织病理学影像集，结果表明使用该技术时，低维空间表示和分类准确性都有所提高。

    Apr, 2022

  • 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

  • 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

  • 乳腺癌弱标签全切片图像的 PD-L1 分类

    本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。

    Apr, 2024

  • 大规模数字前列腺病理图像分析：特征提取与深度神经网络结合

    本文介绍了一种结合人工和深度神经网络特征提取的分析流程，并直接操作于数字扫描仪所生成的全幅图像上，实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征，最终通过对 368 个全幅图像进行测试，成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75％的总体准确性。

    May, 2017