研究/研究

奥林巴斯诊断病理学技术有助于创建基于ai工具

发表在

胃腺癌

奥林巴斯(Olympus Corp .),沃尔瑟姆,质量,最近所描述的一个研究项目的结果,有可能帮助简化工作量的临床病理学家通过使用数码影像和人工智能系统。

研究项目,”一个新的方法来开发计算机辅助诊断为胃活检标本,使用人工智能”是与居民Kiyomi Taniyama共同进行的,医学博士,博士,日本的总统吴市医疗中心和Chugoku癌症中心。2017年发起的,研究项目耦合Taniyama胃的病理诊断专业知识系统和数字病理与奥林巴斯的成像系统人工智能发展的技术和能力。

Taniyama

居民Kiyomi Taniyama,医学博士,博士,吴市医疗中心和Chugoku癌症中心。

利用公司的专有的深度学习技术,奥林巴斯一直致力于开发一个计算机辅助诊断解决方案使用人工智能诊断病理学。

研究项目,奥林巴斯深度学习技术应用于评估胃活检标本收集吴市医学中心和Chugoku癌症中心在2015年和2018年之间。结果是创建一个multiresolutional卷积神经网络(CNN),一个网络结构,广泛用于深度学习的图像分析技术。

深度学习技术独特的CNN旨在分析数字图像所示的病理标本的特性。这种结构有效地实现输入数据的学习特点。

表1

表1。计算机辅助诊断系统的阈值时将评估所有297 ADC样品作为积极的敏感性(100%),225的489 NADC样本评估为负。这代表了100%的敏感性(297 297)和46%的特异性(225 489)。

两个阶段的研究项目被执行死刑。在学习阶段,人工智能系统使用数字病理图像和相关信息来“学习”CNN模型。在预测阶段,CNN的人工智能系统应用经验模型分类的图像组织标本为腺癌(ADC)或non-adenocarcinoma(NADC)。

人工智能算法被开发使用368张幻灯片学习病理图像,297年和786年样本图像(ADC);489 NADC)来调整分类阈值(表1)。在整场幻灯片成像,病理玻片标本是数码成像的监测和显示在视图中。

表2

表2。最后评价的计算机辅助诊断系统是用140年前所未有的样本图像(67 ADC;73 NADC)。所有67的ADC样品进行评估是积极的;37岁的73 NADC样本评估为负。这些结果代表100%的敏感性(67 67)和50.7%的特异性(37 73)。

分类阈值建立了所有ADC样品的检测实现了46%的特异性与NADC样本。在最终评估执行140新病例(67 ADC;73 NADC),相同的算法和分类阈值实现敏感性100%,特异性50.7%(表2)。

使用人工智能计算机辅助诊断软件实现低假阴性的结果,积极的结果不正确评估消极便会帮助病理学家检测阳性样本。

软件由奥林巴斯有可能消除重复的工作负载的病理学家和进一步改善胃活检的病理诊断筛查的准确性负样本,帮助防止正样本被忽视。

为进一步的信息,访问奥林匹斯山.

特色图片:胃腺癌。图片由Viachaslau Bondarau礼貌Dreamstime。

0评论
发布新的评论

留下一个回复

你的电子邮件地址将不会被发表。必填字段标记*