Revolutie bij de diagnose van kanker: KI transformeert de pathologie!

Revolutie bij de diagnose van kanker: KI transformeert de pathologie!

Erlangen, Deutschland - As part of an innovative cooperation project between the University Hospital and the Gravina Hospital in Caltagirone, Italy is Integration of artificial intelligence (AI) into the clinical diagnosis of Pathologie.

Kunstmatige intelligentie kan pathologen ondersteunen bij het effectiever identificeren van kanker en het evalueren van weefselmonsters. Het gebruik van AI is momenteel echter beperkt in pathologie, omdat veel analyseprocessen traditioneel worden uitgevoerd op de microscoop. Om deze uitdagingen onder de knie te krijgen, digitaliseert het Gravina Hospital routinematig alle weefselsnijdingen, wat de beschikbaarheid van digitale gegevens aanzienlijk verbetert.

Integratie van AI in de workflow

Een essentieel element van het project is de ontwikkeling van een procedure voor de automatische integratie van de AI -analyse in de workflow van het pathologische laboratorium. De weefselmonsters worden verwerkt tot dunne sneden en vervolgens gedigitaliseerd zodat de diagnose op de computermonitor wordt gesteld. Zodra nieuwe scans het Laboratory Information System (LIS) binnenkomen, wordt de AI -analyse automatisch geactiveerd. Pathologen kunnen ook om "on-demand" -analyses vragen, wat de flexibiliteit en efficiëntie in het diagnostische proces verbetert.

De resultaten van de AI-analyse worden gevisualiseerd in de vorm van warmtekaarten in de LIS om kankerachtige regio's te benadrukken. Het project is bedoeld om de nauwkeurigheid van de algoritmen te verbeteren en de integratie van diepleermodellen in andere pathologieafdelingen te bevorderen.

technologische innovaties in het diagnostische proces

Technologische innovaties hebben de diagnose van kanker aanzienlijk versneld, met name door de digitalisering van histopathologie snijden en het gebruik van diep leren. Volgens een artikel op pmc.ncbi.nih.gov , is de traditionele diagnostische pathologie lang en fout -die in het oog op de toenemende kanker en stress een urgente behoefte aan actie is.

diepgaande leermodellen zijn geschikt voor klinische taken die een hoge reproduceerbaarheid en lage fouttolerantie vereisen. Historische ontwikkelingen op het gebied van diep leren, van de eerste neuronale netwerken tot moderne convolutionele neurale netwerken (CNN's), hebben een aanzienlijk verbeterde diagnostische nauwkeurigheid. Een ontwikkeld model voor beoordeling van de beoordeling bij prostaatkanker bereikte bijvoorbeeld een nauwkeurigheid van 0,7, terwijl menselijke pathologen slechts een nauwkeurigheid van 0,61 konden registreren

Bovendien bieden grafisch -gebaseerde neurale netwerken (GNN's) veelbelovende benaderingen om zowel de prestaties als de interpreteerbaarheid in digitale pathologie te verbeteren. Deze netwerken modelleren relaties tussen objecten en hebben al succes bereikt op het gebied van de diagnose van kanker, ook bij de evaluatie van colorectale kanker met een nauwkeurigheid van 97%.

De rol van big data en AI in de geneeskunde

De digitale verandering leidt tot een explosie van beschikbare gegevens die effectief in de geneeskunde kunnen worden gebruikt. fraunhofer IKS benadrukt dat kunstmatige intelligentie grote hoeveelheden van gegevens kan analyseren, wat leidt tot een individuele gegevens van therapies en vroege diagnose van therapies. Deze ontwikkeling wordt ondersteund door het netwerken van medische en niet-medische gegevens, die efficiënte en rationele beslissingen mogelijk maken.