Name: Einführung eines integrierten Pathologie-Bildmanagements, künstlicher Intelligenz und Befundungssystems (Video) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: Erfahren Sie, wie FlexLIS KI in die Pathologie integriert, um die Diagnosegenauigkeit zu verbessern. Das System erreichte 97%ige Treffergenauigkeit bei der Prostatakrebsdetektion und optimierte den Arbeitsablauf erheblich.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Zhang, D. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Implementation+of+digital+pathology+and+artificial+intelligence+in+routine+pathology+practice%5BTitle%5D)+AND+%22Lab+Invest%22%5BJournal%5D)">Implementation of digital pathology and artificial intelligence in routine pathology practice.</a> Lab Invest. 104 (9), 102111(2024).</li>
<li>Zhu, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+intelligence+in+pathologic+diagnosis%2C+prognosis+and+prediction+of+prostate+cancer%5BTitle%5D)+AND+%22Am+J+Clin+Exp+Urol%22%5BJournal%5D)">Artificial intelligence in pathologic diagnosis, prognosis and prediction of prostate cancer.</a> Am J Clin Exp Urol. 12 (4), 200-215 (2024).</li>
<li>Park, S. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Anatomic+pathology+laboratory+information+systems%3A+a+review%5BTitle%5D)+AND+%22Adv+Anat+Pathol%22%5BJournal%5D)">Anatomic pathology laboratory information systems: a review.</a> Adv Anat Pathol. 19 (2), 81-96 (2012).</li>
<li>Epstein, J. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+2019+genitourinary+pathology+society+%28gups%29+white+paper+on+contemporary+grading+of+prostate+cancer%5BTitle%5D)+AND+%22Arch+Pathol+Lab+Med%22%5BJournal%5D)">The 2019 genitourinary pathology society (gups) white paper on contemporary grading of prostate cancer.</a> Arch Pathol Lab Med. 145 (4), 461-493 (2021).</li>
<li>Moses, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NCCN+guidelines+insights%3A+Prostate+cancer+early+detection%2C+version+1.2023%5BTitle%5D)+AND+%22J+Natl+Compr+Canc+Netw%22%5BJournal%5D)">NCCN guidelines insights: Prostate cancer early detection, version 1.2023.</a> J Natl Compr Canc Netw. 21 (3), 236-246 (2023).</li>
<li>Bryant, R. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Local+anaesthetic+transperineal+biopsy+versus+transrectal+prostate+biopsy+in+prostate+cancer+detection+%28TRANSLATE%29%3A+a+multicentre%2C+randomised%2C+controlled+trial%5BTitle%5D)+AND+%22Lancet+Oncol%22%5BJournal%5D)">Local anaesthetic transperineal biopsy versus transrectal prostate biopsy in prostate cancer detection (TRANSLATE): a multicentre, randomised, controlled trial.</a> Lancet Oncol. 21, (2025).</li>
<li>Flaig, T. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NCCN+guidelines+insights%3A+Bladder+cancer%2C+version+3.2024%5BTitle%5D)+AND+%22J+Natl+Compr+Canc+Netw%22%5BJournal%5D)">NCCN guidelines insights: Bladder cancer, version 3.2024.</a> J Natl Compr Canc Netw. 22 (4), 216-225 (2024).</li>
<li>Barkan, G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Paris+system+for+reporting+urinary+cytology%3A+The+quest+to+develop+a+standardized+terminology%5BTitle%5D)+AND+%22J+Am+Soc+Cytopathol%22%5BJournal%5D)">The Paris system for reporting urinary cytology: The quest to develop a standardized terminology.</a> J Am Soc Cytopathol. 5 (3), 177-188 (2016).</li>
<li>Sepulveda, J. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ideal+laboratory+information+system%5BTitle%5D)+AND+%22Arch+Pathol+Lab+Med%22%5BJournal%5D)">The ideal laboratory information system.</a> Arch Pathol Lab Med. 137 (8), 1129-1140 (2013).</li>
<li>Fu, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Design+and+Implementation+of+Clinical+LIS360+Laboratory+Management+System+Based+on+AI+Technology%5BTitle%5D)+AND+%22Int+J+Comput+Intelligence+Syst%22%5BJournal%5D)">Design and Implementation of Clinical LIS360 Laboratory Management System Based on AI Technology.</a> Int J Comput Intelligence Syst. 16, 33(2023).</li>
<li>Zhu, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+Intelligence-Assisted+Histopathology+As+A+Training+Tool+For+Residents%5BTitle%5D)+AND+%22Lab+Invest%22%5BJournal%5D)">Artificial Intelligence-Assisted Histopathology As A Training Tool For Residents.</a> Lab Invest. 105 (3), 102736(2025).</li>
</ol>

<table><tbody><tr><td>FlexLIS</td><td>Novino KI</td><td></td><td></td></tr></tbody></table>

einführung eines integrierten pathologie-bildmanagements, künstlicher intelligenz und befundungssystems

Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System

In diesem Abschnitt werden zwei Anwendungsfälle vorgestellt, um zu demonstrieren, wie die KI Pathologen bei der Bewertung von Bildern und der Bereitstellung diagnostischer Eingaben unterstützen kann.
Diagnose von Prostatakrebs (Abbildung 7): Histopathologische Beurteilung der Prostatabiopsie mit Krebs, einschließlich Tumorlänge und -prozentsatz, Gleason-Scores (3, 4 und 5), Prozentsatz von Gleason 4 und 5 usw. Diese Informationen werden dann verwendet, um die Patienten in 4 Gradgruppen (1 bis 4) einzuteilen, wobei 4 der aggressivste Prostatakrebs ist 4,5. Diese Informationen müssen in den Pathologiebericht aufgenommen werden. daher ist es ein perfektes Beispiel, um die KI-gestützte Pathologiediagnose zu veranschaulichen.
In diesem Beispiel wurden die Objektträger mit Prostatabiopsie zunächst mit dem Hämatoxylin-Eosin (H&amp;E)-Verfahren gefärbt. Das gefärbte Objektträger wurde dann digitalisiert, um ein ganzes Objektträgerbild (WSI) zu erzeugen, das über eine direkte Schnittstelle zwischen dem Scannercomputer und der Software in das System hochgeladen wurde (Abbildung 7). Nach dem Hochladen verarbeitet ein KI-gestütztes Modell die Markierung, identifiziert und markiert jede Entität, einschließlich der Probenquelle (z. B. Prostata) und der Art der Färbung (z. B. H&amp;E). Dieses Modell bestimmt, ob es sich bei dem Bild um eine H&amp;E-gefärbte Prostatabiopsie handelt. Ist dies der Fall, analysiert ein anderes KI-basiertes Modell das Bild und generiert auf Basis der Analyse Feedback oder Ausgaben (Abbildung 7A). Dieses KI-basierte Modell ist auch in der Lage, immunhistochemische PIN4-Färbungen vorzubestellen, um Pathologen bei der Bestätigung des Vorhandenseins kleiner Tumorbereiche zu unterstützen (Abbildung 3).
Dieses Modell wurde mit über 1700 Prostata-Ganzkörperbildern (WSI) trainiert, die von einem Team erfahrener Pathologen pixelweise kommentiert wurden. Im Anschluss an die Annotation von WSIs wird ein Deep-Learning-Modell angewendet, um Prostatagewebekacheln in vier Kategorien zu klassifizieren: Benign, Gleason3, Gleason4 und Gleason5. Wie in Abbildung 5 dargestellt, werden kachelbasierte Ausgaben aggregiert, um eine Maske für die gesamte Folie zu erstellen, die krebsartige Regionen hervorhebt: Krebs (rot), Gleason4 (grün) und Gleason5 (blau; Abbildung 6). Zusätzlich zu diesen Masken generierte das KI-Modell eine endgültige Markierung (Krebs oder gutartig) für den Prostata-WSI. Diese Klassifizierung basiert auf morphologischen Merkmalen wie den Flächen von Gleason3, Gleason4 und Gleason5, der Sicherheit der Gleason3-, Gleason4- und Gleason5-Masken und anderen Faktoren. Die Leistungsfähigkeit unseres aktuellen Prostatamodells zur Erkennung von Prostatakrebs wurde durch die Verwendung eines unabhängigen Satzes von 1.000 WSIs bestätigt, die während der Modellentwicklung oder -validierung nicht verwendet wurden. Jede Folie im Validierungssatz ist entweder als gutartig oder als Krebs gekennzeichnet. Das trainierte Modell weist jeder Folie auch eine Beschriftung zu, wie beschrieben. Durch den Vergleich der Ground-Truth-Labels mit den Vorhersagen des Modells wurden Leistungsmetriken wie Genauigkeit, Sensitivität, Spezifität und F1-Score berechnet, wie in Tabelle 1 dargestellt. Die Ergebnisse deuten darauf hin, dass das trainierte Modell vergleichbar mit anderen Prostata-KI-Modellen abschneidet6.
Zusätzlich zu den Gleason-Scores ist das KI-Modell in der Lage, die Tumorlänge und den Prozentsatz sowie die Gradgruppe zu bestimmen (Abbildung 7). Darüber hinaus ist das KI-Modell auch in der Lage, NCCN-Risikogruppen-basierte Pathologie und klinische Informationen zu berechnen, sofern diese bereitgestellt werden (Abbildung 7A). In FlexLIS ist die KI in der Lage, alle diagnostischen Informationen in den Pathologiebericht zu transkribieren, so dass Pathologen sie nicht manuell in den Bericht eingeben müssen (Abbildung 7B). Obwohl der gesamte KI-Prozess im Hintergrund abgeschlossen wird und für Pathologen nicht sichtbar ist, sind die KI-Analyseergebnisse und das gleiche Bild für Pathologen sichtbar, die entscheiden können, ob sie die KI-Ergebnisse im Pathologiebericht behalten oder ändern (Abbildung 7B).
Urinzytologie für die Blasenkrebsvorsorge: Die Urinzytologie ist die primäre nicht-invasive Methode für die Früherkennung, Diagnose und Überwachung von Blasenkrebs7. Die Urinzytologie klassifiziert die Patienten in vier Kategorien: negativ für hochgradiges Urothelkarzinom, atypische Urothelzellen, verdächtig für hochgradiges Urothelkarzinom und hochgradiges Urothelkarzinom8. Die Überprüfung der Urinzytologie erfordert Erfahrung und Geschick und ist sehr zeitaufwändig. Daher ist das KI-gestützte Urinzytologie-Screening sehr gefragt. Dieser Fall stellt eine Einzelzellbewertung durch KI dar.
Die Untersuchung von Urin-Zytologie-Objektträgern kann für Pathologen ein arbeits- und zeitaufwändiger Prozess sein. Es erfordert das akribische Absuchen großer Felder und häufiges Vergrößern und Verkleinern, um seltene, diagnostisch bedeutsame Zellen zu lokalisieren, was oft einer Suche nach der Nadel im Heuhaufen ähnelt. Dieser manuelle Ansatz erfordert nicht nur viel Zeit und Konzentration, sondern trägt auch zur diagnostischen Ermüdung und potenziellen Variabilität der Interpretationen bei. Um diesen Prozess zu vereinfachen, wurde das in FlexLIS integrierte KI-basierte Urinzytologiemodell entwickelt, um Pathologen bei der automatischen Erkennung und Klassifizierung einer Vielzahl von Zelltypen in Urinproben zu unterstützen. Das Modell ist in der Lage, die folgenden Kategorien zu identifizieren: HGUC (hochgradige Urothelkarzinomzellen), verdächtige Zellen (Urothelzellen mit ausgeprägten Anomalien, die auf eine Malignität hindeuten, aber nicht endgültig diagnostisch sind), atypische Urothelzellen, Erythrozyten (Rote Blutkörperchen), Kristalle, Lymphozyten, polymorphe Zellen, Polyomaviren, Nierentubularzellen, Spermien, Plattenepithelzellen, normale Urothelzellen, Hefe und andere. Um die Benutzerfreundlichkeit weiter zu verbessern, werden die diagnostisch signifikanten Kategorien - HGUC, atypische Urothelzellen und verdächtige Zellen - durch unterschiedliche Farben hervorgehoben (Abbildung 8), so dass sich Pathologen schnell auf interessante Bereiche konzentrieren können, ohne dass ein umfassendes manuelles Scannen erforderlich ist.
Darüber hinaus quantifiziert das KI-Modell die Anzahl der Zellen in jeder erkannten Kategorie und integriert diese Daten nahtlos in die Ausgabe (Abbildung 8). Diese Befunde werden automatisch in den Pathologiebericht übertragen, so dass sich der Pathologe ausschließlich auf die Überprüfung, Verifizierung und Fertigstellung des Falls konzentrieren kann. Dies verbessert die Diagnoseeffizienz erheblich, reduziert den manuellen Arbeitsaufwand und fördert die Konsistenz und Genauigkeit in allen Berichten.
Um das KI-Modell zu trainieren, wurden 500 Regionen nach dem Zufallsprinzip aus 150 Ganzdiabildern von Urinzytologieproben ausgewählt. Erfahrene Zytopathologen annotierten Zellen innerhalb dieser Regionen manuell in 14 vordefinierte Kategorien, wie zuvor beschrieben, was zu über 30.000 annotierten Zellen führte. Regionen von 80 % der Folien wurden für das Training verwendet, während die restlichen 20 % für die Validierung reserviert waren. Anschließend wurde ein Objekterkennungsmodell trainiert und bewertet, um Zellen in den definierten Kategorien genau zu identifizieren und zu klassifizieren.
Neben Prostata- und Urinzytologiemodellen ist auch das Gastroenterologie-KI-Modell in der Software verfügbar. Weitere Modelle, darunter Blasenkrebs und Lungenkrebs, befinden sich in der Entwicklung.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> 
Abbildung 1: Arbeitsablauf in der Pathologie. (A) Traditioneller Arbeitsablauf in der Pathologie. (B) Arbeitsablauf in der digitalen Pathologie. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> 
Abbildung 2: Anmeldefenster. Geben Sie die E-Mail-Adresse in das E-Mail-Feld ein. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> 
Abbildung 3: Fenster Beitrittsliste. (A) Die linke Seitenleiste zeigt verschiedene Benutzeroptionen an. (B) Zugangsfilter zum Suchen und Sortieren der Fälle. (C) Beitrittsliste mit den Informationen zu jedem Fall, einschließlich Zugangsnummer, Name des Patienten, Fallstatus, Anzahl und Qualität der Bilder usw. In diesem Fall wurden dem Benutzer 4 Fälle zugeordnet. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> 
Abbildung 4: Fenster zur Überprüfung durch den Pathologen. (A) Fallinformationen, einschließlich des Status des Falls. (B) Die Tabelle "Probenzusammenfassung" enthält eine Zusammenfassung jeder Probe, einschließlich Standort, Diagnose und Kommentare. (C) Probeninformationen liefern zusätzliche Informationen über die Probe. (D) Case Control Panel zum Navigieren im Fall. Das rechte Diagramm zeigt die Prostatabiopsiestellen und die AI-Ergebnisse (rot-Krebs, orange-ASAP und schwarz-gutartig). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> 
Abbildung 5: Fenster "Bildüberprüfung". (A) Die Bildbibliothek (linke Seitenleiste) listet alle Proben alphabetisch mit Informationen zu Fleckentyp und -status auf. (B) Symbolleiste (oben) zum Verschieben, Kommentieren und Freigeben der Bilder. (C) Fallinformationen/KI (rechte Seitenleiste) zum Abgeben von Kommentaren, Kommunizieren mit Mitarbeitern und Anzeigen von KI-Feedback/-Ausgaben. Bei diesem Fall handelt es sich um eine Prostatabiopsie mit Prostatakrebs, der durch KI maskiert wurde (roter Krebs und grüner Gleason 4). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> 
Abbildung 6: KI-Ausgaben. (A) Histologie-Bild. (B) KI-Feedback, d. h. KI-Bewertung des Bildes, einschließlich Tumorlänge, Gleason-Score, Gradgruppe usw. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> 
Abbildung 7: Das Prostata-KI-Modell bewertet automatisch das Bild der Prostatabiopsie und hilft bei der Erstellung von Pathologieberichten. (A) Nach der Analyse der Bilder im IMS. (B) Die KI gibt die Ergebnisse in den Pathologiebericht aus. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> 
Abbildung 8: KI-Bewertung des Urinzytologie-Objektträgers. Abnorme Urothelzellen wurden rot (hochgradige Urothelkarzinomzellen) und rosa (verdächtige Zellen) hervorgehoben. Die KI-Ergebnisse werden in der Einfügung (rechte obere Ecke) angezeigt. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Genauigkeit</td>
			<td>Präzision</td>
			<td>Empfindlichkeit</td>
			<td>Spezifität</td>
			<td>F1-Punktzahl</td>
		</tr>
		<tr>
			<td>97%</td>
			<td>96%</td>
			<td>98%</td>
			<td>96%</td>
			<td>97%</td>
		</tr>
	</tbody>
</table>
Tabelle 1: Leistungsfähigkeit des Prostata-KI-Modells zur Detektion von Adenokarzinomen in Prostatabiopsien.

Einführung eines integrierten Pathologie-Bildmanagements, künstlicher Intelligenz und Befundungssystems

The development of electronic reporting systems (LIS), image management systems (IMS), and AI models has revolutionized pathology practices. By ...

introduction-an-integrated-pathology-image-management-artificial

Research

Forschung

JoVE Journal

Medicine

Medizin

Wir beschreiben die Schritte, um unsere kundenspezifische Software für die Bildintegration, Visualisierung und Planung in der Epilepsiechirurgie verwenden.

Eine Pipeline für 3D Multimodalität Bildintegration und Computergestützte Planung in der Epilepsie-Chirurgie

Dieses Protokoll beschreibt einen Hochdurchsatz-Workflow für die künstliche Intelligenz-gesteuerte Segmentierung von pathologiebestätigten Regionen von Interesse aus gefärbten, dünnen Gewebeschnittbildern zur Anreicherung von histologieaufgelösten Zellpopulationen mittels Laser-Mikrodissektion. Diese Strategie beinhaltet einen neuartigen Algorithmus, der die Übertragung von Demarkationen, die Zellpopulationen von Interesse bezeichnen, direkt auf Lasermikroskope ermöglicht.

Industrialisierte, von künstlicher Intelligenz gesteuerte Laser-Mikrodissektion zur mikroskaligen proteomischen Analyse der Tumormikroumgebung

Der Mikronukleus-Assay (MN) ist ein etablierter Test zur Quantifizierung von DNA-Schäden. Die Bewertung des Assays mit herkömmlichen Techniken wie manueller Mikroskopie oder merkmalsbasierter Bildanalyse ist jedoch mühsam und herausfordernd. In diesem Artikel wird die Methodik zur Entwicklung eines Modells der künstlichen Intelligenz beschrieben, um den MN-Assay anhand von bildgebenden Durchflusszytometriedaten zu bewerten.

Automatisierung des Mikronukleus-Assays mittels bildgebender Durchflusszytometrie und künstlicher Intelligenz

Multiplexed Ion Beam Imaging (MIBI) wird häufig verwendet, um Gewebe-Microarrays und gekachelte, zusammenhängende Gewebebereiche abzubilden, aber die derzeitige Software für die Einrichtung dieser Experimente ist umständlich. Die Kachel-/SED-/Array-Schnittstelle ist ein intuitives, interaktives grafisches Tool, das entwickelt wurde, um die Einrichtung von MIBI-Läufen drastisch zu vereinfachen und zu beschleunigen.

Schnelle Einrichtung von Gewebe-Microarrays und Tiled-Area-Imaging auf dem Multiplex-Ionenstrahl-Bildgebungsmikroskop über die Kachel-/SED-/Array-Schnittstelle 

Es wurde ein Verfahren zur Registrierung von Cone-Beam-Computertomographie-Scans und digitalen Zahnbildern vorgestellt, bei dem die durch künstliche Intelligenz (KI) unterstützte Identifizierung von Orientierungspunkten und das Zusammenführen verwendet wird. Ein Vergleich mit der oberflächenbasierten Registrierung zeigt, dass KI-basierte Digitalisierung und Integration zuverlässig und reproduzierbar sind.

Zuverlässigkeit der auf künstlicher Intelligenz basierenden Cone-Beam-Computertomographie Integration mit digitalen Dentalbildern

Das Vorhandensein von Mastzellen im Innenrand und im Peritumorbereich des hepatozellulären Karzinoms nach der Resektion verleiht eine günstige Prognose. Diese Studie bestätigt die Bildanalysesoftware QuPath als vielversprechende Plattform, die den Bedarf an Reproduzierbarkeit, Konsistenz und Genauigkeit in der digitalen Pathologie erfüllen könnte.

Mastzellen in der Mikroumgebung des hepatozellulären Karzinoms bieten günstige Prognose: Eine retrospektive Studie mit der Bildanalysesoftware QuPath 

Hier stellen wir ein standardisiertes Protokoll zur Erkennung von Prostatakrebs mittels stimulierter Raman-Histologie (SRH) an Biopsieproben vor, da es Vorteile gegenüber der traditionellen Histopathologie bietet, wobei der Schwerpunkt auf Probenvorbereitung, Bildgebung und künstlicher Intelligenz liegt, um das Krebs-Gewebe-Verhältnis zu verbessern. Darüber hinaus unterstützt es das Biobanking für Transkriptomik, Organoid- oder Xenotransplantatmodelle und die Identifizierung intraoperativer...

Detektion und Isolierung von Krebs in Prostatabiopsien mittels stimulierter Raman-Histologie und Künstlicher Intelligenz

Dieses Manuskript zeigt jeden Schritt der Anpassung eines Kryolsäureglas-Prothesenauges, einschließlich einiger wichtiger Vorteile der Verwendung von Kryolithglas für die Herstellung einer Augenprothese im Vergleich zu Poly (Methylmethacrylat). Darüber hinaus gibt dieses Manuskript Augenärzten einen besseren Einblick in die augenokuläre Versorgung, die die interprofessionelle Zusammenarbeit verbessern könnte.

Anpassen eines Kryolglas-Prothesenauges

Hier stellen wir ein Protokoll zur sicheren und effektiven Verabreichung von Anästhetikum gasanmäusen mithilfe eines digitalen, strömungsarmen Anästhesiesystems mit integriertem Beatmungsgerät und physiologischen Überwachungsmodulen vor.

Einsatz eines integrierten Low-Flow Anesthetic Vaporizer, Ventilator und Physiologisches Überwachungssystem für Nagetiere

Das vorliegende Protokoll beschreibt die Drahtmyographentechnik zur Messung der vaskulären Reaktivität der Koronararterie der Ratte.

Standardisierte Rattenkoronarringpräparation und Echtzeitaufzeichnung dynamischer Spannungsänderungen entlang des Gefäßdurchmessers

Erfahren Sie, wie FlexLIS KI in die Pathologie integriert, um die Diagnosegenauigkeit zu verbessern. Das System erreichte 97%ige Treffergenauigkeit bei der Prostatakrebsdetektion und optimierte den Arbeitsablauf erheblich.

Einführung eines integrierten Pathologie-Bildmanagements, künstlicher Intelligenz und Befundungssystems

Weitere Videos entdecken