Rewolucja w diagnozie raka: KI przekształca patologię!
Rewolucja w diagnozie raka: KI przekształca patologię!
Erlangen, Deutschland - W ramach innowacyjnego projektu współpracy między i gravina w szpitalu w Gravina w caltagirone, ITALY jest integracją sztucznej inteligencji (ai) w szpitalu uniwersyteckim. Patologia jest optymalizacja procesu diagnostycznego za pomocą najnowszych algorytmów AI, podczas gdy w Niemczech rejestruje się ponad 1,4 miliona raka, często w wyniku badań tkankowych po usunięciu guza
Sztuczna inteligencja może wspierać patologów w skuteczniejszej identyfikacji raka i oceny próbek tkanek. Jednak stosowanie AI jest obecnie ograniczone w patologii, ponieważ wiele procesów analizy jest tradycyjnie przeprowadzanych na mikroskopie. Aby opanować te wyzwania, szpital Gravina rutynowo digitalizuje wszystkie cięcia tkankowe, co znacznie poprawia dostępność danych cyfrowych. Istotnym elementem projektu jest opracowanie procedury automatycznej integracji analizy AI z przepływem pracy patologicznego laboratorium. Próbki tkanki są przetwarzane w cienkie cięcia, a następnie zdigitalizowane, aby diagnoza została postawiona na monitorze komputerowym. Gdy tylko nowe skany wejdą do laboratoryjnego systemu informacji (LIS), analiza AI jest automatycznie aktywowana. Patolodzy mogą również żądać analiz „na żądanie”, co poprawia elastyczność i wydajność w procesie diagnostycznym. Wyniki analizy AI są wizualizowane w postaci map ciepła w LIS w celu podkreślenia regionów podobnych do raka. Projekt ma na celu poprawę dokładności algorytmów i promowanie integracji modeli głębokiego uczenia się w innych działach patologii. Innowacje technologiczne znacznie przyspieszyły diagnozę raka, w szczególności poprzez digitalizację cięcia histopatologii i stosowanie głębokiego uczenia się. Zgodnie z artykułem na temat pmc.ncbi.nih.gov , tradycyjna patologia diagnostyczna jest długotrwałe i błędy -próby, które w widoku rosnącego raka i stresu stwarza zapotrzebowanie na działanie.
Modele głębokiego uczenia się są odpowiednie do zadań klinicznych, które wymagają wysokiej odtwarzalności i niskiej tolerancji błędów. Historyczne rozwój w dziedzinie głębokiego uczenia się, od pierwszych sieci neuronalnych po nowoczesne sieci neuronowe (CNN), znacznie poprawiły dokładność diagnostyczną. Na przykład opracowany model oceny oceny raka prostaty osiągnął dokładność 0,7, podczas gdy ludzcy patologowie mogliby jedynie zarejestrować dokładność 0,61
Ponadto sieci neuronowe oparte na grafice (GNN) oferują obiecujące podejścia do poprawy zarówno wydajności, jak i interpretacji w patologii cyfrowej. Te sieci modelują relacje między obiektami i już osiągnęły sukces w dziedzinie diagnozy raka, w tym w ocenie raka jelita grubego z dokładnością 97%. Zmiana cyfrowa prowadzi do eksplozji dostępnych danych, które można skutecznie stosować w medycynie. fraunhofer iks podkreśla, że sztuczna samica może szybko analizować wiele danych, co prowadzi do indywidualizacji i wczesnej diagnozowania. Rozwój ten jest wspierany przez nawiązywanie kontaktów z danych medycznych i niemedycznych, co umożliwia wydajne i racjonalne decyzje. Integracja AI z przepływem pracy
Innowacje technologiczne w procesie diagnostycznym
Rola Big Data i AI w medycynie
| Details | |
|---|---|
| Ort | Erlangen, Deutschland |
| Quellen | |