Revolusjon i kreftdiagnose: KI forvandler patologien!
Revolusjon i kreftdiagnose: KI forvandler patologien!
Erlangen, Deutschland - som en del av et innovativt samarbeidsprosjekt mellom Kunstig intelligens kan støtte patologer i å identifisere kreft mer effektivt og evaluere vevsprøver. Imidlertid er bruken av AI for tiden begrenset i patologi, siden mange analyseprosesser tradisjonelt blir utført på mikroskopet. For å mestre disse utfordringene, diginerer Gravina Hospital rutinemessig alle vevskutt, noe som forbedrer tilgjengeligheten av digitale data betydelig.
Integrering av AI i arbeidsflyten
Et essensielt element i prosjektet er utvikling av en prosedyre for automatisk integrering av AI -analysen i arbeidsflyten til det patologiske laboratoriet. Vevsprøvene blir behandlet til tynne kutt og deretter digitalisert slik at diagnosen stilles på dataskjermen. Så snart nye skanninger går inn i laboratorieinformasjonssystemet (LIS), aktiveres AI -analysen automatisk. Patologer kan også be om "on-demand" -analyser, noe som forbedrer fleksibiliteten og effektiviteten i den diagnostiske prosessen.
Resultatene fra AI-analysen blir visualisert i form av varmekart i LIS for å understreke kreftlignende regioner. Prosjektet tar sikte på å forbedre algoritmens nøyaktighet og å fremme integrering av dype læringsmodeller i andre patologiavdelinger.
Teknologiske nyvinninger i den diagnostiske prosessen
Teknologiske nyvinninger har betydelig akselerert diagnosen kreft, spesielt gjennom digitalisering av histopatologiskjæring og bruk av dyp læring. I følge en artikkel om pmc.ncbi.nih.gov er den tradisjonelle diagnostiske patologien lang og feil, som i løpet av den økende kreften og stresset er en kraftig og feil.
Dyp læringsmodeller er egnet for kliniske oppgaver som krever høy reproduserbarhet og lav feiltoleranse. Historisk utvikling innen dyp læring, fra de første nevronale nettverkene til moderne konvolusjonelle nevrale nettverk (CNN), har betydelig forbedret diagnostisk nøyaktighet. For eksempel oppnådde en utviklet modell for graderingsvurdering i prostatakreft en nøyaktighet på 0,7, mens humane patologer bare kunne registrere en nøyaktighet på 0,61
I tillegg tilbyr grafiske -baserte nevrale nettverk (GNN) lovende tilnærminger for å forbedre både ytelsen og tolkbarheten i digital patologi. Disse nettverkene modellerer forholdet mellom objekter og har allerede oppnådd suksess innen kreftdiagnose, inkludert i evalueringen av kolorektal kreft med en nøyaktighet på 97%.
Big data og AIs rolle i medisin
Den digitale endringen fører til en eksplosjon av tilgjengelige data som kan brukes effektivt innen medisin. FRAHOFER IKS
Totalt sett viser prosjektet mellom universitetssykehuset og Gravina Hospital hvordan den intelligente kombinasjonen av AI og digital patologi ikke bare forbedrer effektiviteten, men kan også øke diagnostisk nøyaktighet. Denne fremgangen er avgjørende i sammenheng med å øke kreftforekomsten og de tilhørende utfordringene for helsetjenester.
| Details | |
|---|---|
| Ort | Erlangen, Deutschland |
| Quellen | |