Name: Introducción de un sistema integrado de gestión de imágenes de patología, inteligencia artificial y generación de informes (Video) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: Descubre cómo integrar inteligencia artificial en sistemas de patología digital para mejorar el diagnóstico histopatológico. Esta plataforma alcanza un 97% de precisión en detección de cáncer de próstata.

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 AI</td><td></td><td></td></tr></tbody></table>

introducción de un sistema integrado de gestión de imágenes de patología, inteligencia artificial y generación de informes

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

En esta sección, se presentan dos casos de uso para demostrar cómo la IA puede ayudar a los patólogos a evaluar imágenes y proporcionar información diagnóstica.
Diagnóstico de cáncer de próstata (Figura 7): Valoración histopatológica de la biopsia de próstata con cáncer, incluyendo longitud y porcentaje del tumor, puntuaciones de Gleason (3, 4 y 5), porcentaje de Gleason 4 y 5, etc. Esta información se utiliza para clasificar a los pacientes en 4 grupos de grado (1 a 4), siendo el 4 el cáncer de próstata más agresivo 4,5. Esta información debe incluirse en el informe de patología; por lo tanto, es un ejemplo perfecto para ilustrar el diagnóstico de patologías asistido por IA.
En este ejemplo, los portaobjetos de vidrio con biopsia de próstata se tiñeron inicialmente con el procedimiento de hematoxilina-eosina (H&amp;E). A continuación, el portaobjetos teñido se digitalizó para generar una imagen completa del portaobjetos (WSI), que se cargó en el sistema a través de una interfaz directa entre el ordenador del escáner y el software (Figura 7). Una vez cargada, un modelo impulsado por IA procesa la etiqueta, identifica y etiqueta cada entidad, incluida la fuente de la muestra (es decir, la próstata) y el tipo de tinción (es decir, H&amp;E). Este modelo determina si la imagen es una biopsia de próstata teñida con H&amp;E. Si es así, otro modelo basado en IA analiza la imagen y genera comentarios o salidas basadas en el análisis (Figura 7A). Este modelo basado en IA también es capaz de solicitar previamente tinciones inmunohistoquímicas de PIN4 para ayudar a los patólogos a confirmar la presencia de pequeñas áreas tumorales (Figura 3).
Este modelo se entrenó con más de 1700 imágenes de portaobjetos completos de próstata (WSI) que fueron anotadas en píxeles por un equipo de patólogos experimentados. Siguiendo la anotación de WSIs, se aplica un modelo de aprendizaje profundo para clasificar las baldosas de tejido prostático en cuatro categorías: Benigno, Gleason3, Gleason4 y Gleason5. Como se muestra en la Figura 5, las salidas basadas en mosaicos se agregan para crear una máscara de diapositiva completa que resalte las regiones cancerosas: Cáncer (rojo), Gleason4 (verde) y Gleason5 (azul; Figura 6). Además de estas mascarillas, el modelo de IA generó una etiqueta final (Cáncer o Benigno) para la WSI de próstata. Esta clasificación se basa en características morfológicas como las áreas de Gleason3, Gleason4 y Gleason5, la certeza de las máscaras Gleason3, Gleason4 y Gleason5, y otros factores. El rendimiento de nuestro modelo de próstata actual para la detección del cáncer de próstata se confirmó mediante el uso de un conjunto independiente de 1.000 WSI que no se utilizaron durante el desarrollo o la validación del modelo. Cada portaobjetos del conjunto de validación está etiquetado como Benigno o Canceroso. El modelo entrenado también asigna una etiqueta a cada diapositiva, tal y como se describe. Al comparar las etiquetas de realidad fundamental con las predicciones del modelo, se calcularon métricas de rendimiento como precisión, sensibilidad, especificidad y puntuación F1, como se presenta en la Tabla 1. Los resultados indican que el modelo entrenado tiene un rendimiento comparable al de otros modelos de IA prostática6.
Además de las puntuaciones de Gleason, el modelo de IA es capaz de determinar la longitud y el porcentaje del tumor, así como el grupo de grado (Figura 7). Además, el modelo de IA también es capaz de calcular la patología basada en el grupo de riesgo de la NCCN y la información clínica si se proporciona (Figura 7A). En FlexLIS, la IA es capaz de transcribir toda la información diagnóstica en el informe de patología, de modo que los patólogos no tienen que introducirla manualmente en el informe (Figura 7B). Aunque todo el proceso de IA se completa en segundo plano y no es visible para los patólogos, los resultados del análisis de IA y la misma imagen son visibles para los patólogos, que pueden decidir mantener o cambiar los resultados de la IA en el informe de patología (Figura 7B).
Citología de orina para la detección del cáncer de vejiga: La citología de orina es el principal método no invasivo para la detección, el diagnóstico y el seguimiento del cáncer de vejiga7. La citología de orina clasifica a los pacientes en cuatro categorías: negativos para carcinoma urotelial de alto grado, células uroteliales atípicas, sospechosos de carcinoma urotelial de alto grado y carcinoma urotelial de alto grado8. La revisión de la citología de orina requiere experiencia y habilidad, y requiere mucho tiempo. Por lo tanto, el cribado de citología de orina asistido por IA es muy demandado. Este caso presenta una evaluación de una sola célula por IA.
El examen de los portaobjetos de citología de orina puede ser un proceso laborioso y lento para los patólogos. Requiere un escaneo meticuloso de campos amplios y con frecuencia acercarse y alejarse para localizar células raras y diagnósticamente significativas, que a menudo se asemejan a la búsqueda de una aguja en un pajar. Este enfoque manual no solo exige un tiempo y una concentración considerables, sino que también contribuye a la fatiga diagnóstica y a la posible variabilidad de las interpretaciones. Para agilizar este proceso, se ha desarrollado el modelo de citología de orina basado en IA integrado en FlexLIS para ayudar a los patólogos mediante la detección y clasificación automática de una amplia gama de tipos de células en muestras de orina. El modelo es capaz de identificar las siguientes categorías: HGUC (células de carcinoma urotelial de alto grado), sospechosas (células uroteliales con anomalías marcadas sugestivas de malignidad pero no diagnósticas definitivas), células uroteliales atípicas, glóbulos rojos (glóbulos rojos), cristales, linfocitos, células polimorfas, virus del polioma, células tubulares renales, espermatozoides, células escamosas, células uroteliales normales, levaduras, y otras. Para mejorar aún más la usabilidad, las categorías diagnósticamente significativas (HGUC, células uroteliales atípicas y sospechosas) se resaltan con colores distintos (Figura 8), lo que permite a los patólogos centrarse rápidamente en las áreas de interés sin necesidad de una exploración manual exhaustiva.
Además, el modelo de IA cuantifica el número de celdas en cada categoría detectada e integra sin problemas estos datos en la salida (Figura 8). Estos hallazgos se transcriben automáticamente en el informe de patología, lo que permite al patólogo centrarse únicamente en revisar, verificar y finalizar el caso. Esto mejora en gran medida la eficiencia del diagnóstico, reduce la carga de trabajo manual y promueve la coherencia y la precisión en todos los informes.
Para entrenar el modelo de IA, se seleccionaron aleatoriamente 500 regiones de 150 imágenes de portaobjetos completos de muestras de citología de orina. Los citopatólogos expertos anotaron manualmente las células dentro de estas regiones en 14 categorías predefinidas, como se describió anteriormente, lo que resultó en más de 30,000 células anotadas. Las regiones del 80% de las diapositivas se utilizaron para la formación, mientras que el 20% restante se reservó para la validación. A continuación, se entrenó y evaluó un modelo de detección de objetos para identificar y clasificar con precisión las células en las categorías definidas.
Además de los modelos de citología de próstata y orina, el modelo de IA de gastroenterología también está disponible en el software. Otros modelos, como el cáncer de vejiga y el cáncer de pulmón, están en proceso de desarrollo.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> 
Figura 1: Flujo de trabajo de patología. (A) Flujo de trabajo tradicional de patología. (B) Flujo de trabajo de patología digital. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> 
Figura 2: Ventana de inicio de sesión. Ingrese el correo electrónico en el cuadro de correo electrónico. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> 
Figura 3: Ventana de la lista de accesión. (A) La barra lateral izquierda indica diferentes opciones de usuario. (B) Filtro de acceso para buscar y clasificar los casos. (C) Lista de accesión con la información de cada caso, incluyendo número de accesión, nombre del paciente, estado del caso, número y calidad de las imágenes, etc. En este caso, se asignaron 4 casos al usuario. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> 
Figura 4: Ventana de revisión del patólogo. (A) Información del caso, incluido el estado del caso. (B) La tabla de resumen del espécimen proporciona un resumen de cada espécimen, incluido el sitio, el diagnóstico y los comentarios. (C) La información del espécimen proporciona información adicional sobre el espécimen. (D) Panel de control de casos para navegar por el caso. El diagrama de la derecha indica los sitios de la biopsia de próstata y los resultados de la IA (rojo-cáncer, naranja-ASAP y negro-benigno). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> 
Figura 5: Ventana de revisión de imágenes. (A) La biblioteca de imágenes (barra lateral izquierda) enumera todos los especímenes alfabéticamente con información sobre el tipo y el estado de la mancha. (B) Barra de herramientas (arriba) para mover, anotar y compartir las imágenes. (C) Información de casos/IA (barra lateral derecha) para hacer comentarios, comunicarse con el personal y ver comentarios/resultados de IA. Se trata de una biopsia de próstata con cáncer de próstata enmascarado por IA (rojo-cáncer y verde-Gleason 4). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> 
Figura 6: Salidas de IA. (A) Imagen histológica. (B) Retroalimentación de IA, es decir, evaluación de IA de la imagen, incluida la longitud del tumor, la puntuación de Gleason, el grupo de grado, etc. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> 
Figura 7: El modelo de IA de próstata evalúa automáticamente la imagen de la biopsia de próstata y ayuda a generar informes de patología. (A) Después del análisis de las imágenes en IMS. (B) La IA envía los resultados al informe de patología. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> 
Figura 8: Evaluación con IA del portaobjetos de citología urinaria. Las células uroteliales anormales se resaltaron en rojo (células cancerosas uroteliales de alto grado) y rosas (células sospechosas). Los resultados de AI se muestran en el inserto (esquina superior derecha). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Exactitud</td>
			<td>Precisión</td>
			<td>Sensibilidad</td>
			<td>Especificidad</td>
			<td>Puntuación F1</td>
		</tr>
		<tr>
			<td>97%</td>
			<td>96%</td>
			<td>98%</td>
			<td>96%</td>
			<td>97%</td>
		</tr>
	</tbody>
</table>
Tabla 1: Rendimiento del modelo de IA prostática para la detección de adenocarcinoma en biopsias de próstata.

Introducción de un sistema integrado de gestión de imágenes de patología, inteligencia artificial y generación de informes

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

Investigación

JoVE Journal

Medicine

Medicina

Se describen los pasos para utilizar nuestro software diseñado a medida para la integración de la imagen, la visualización y la planificación en la cirugía de la epilepsia.

Una tubería de multimodalidad 3D Image Integración y Planificación asistida por ordenador en la cirugía de la epilepsia

Este protocolo describe un flujo de trabajo de alto rendimiento para la segmentación impulsada por inteligencia artificial de regiones de interés confirmadas por patología a partir de imágenes de sección de tejido delgado teñidas para el enriquecimiento de poblaciones celulares resueltas por histología utilizando microdisección láser. Esta estrategia incluye un algoritmo novedoso que permite la transferencia de demarcaciones que denotan poblaciones celulares de interés directamente a los...

Microdisección láser industrializada guiada por inteligencia artificial para el análisis proteómico a microescala del microambiente tumoral

El ensayo de micronúcleos (MN) es una prueba bien establecida para cuantificar el daño del ADN. Sin embargo, calificar el ensayo utilizando técnicas convencionales como la microscopía manual o el análisis de imágenes basado en características es laborioso y desafiante. Este artículo describe la metodología para desarrollar un modelo de inteligencia artificial para calificar el ensayo MN utilizando datos de citometría de flujo de imágenes.

Automatización del ensayo de micronúcleos mediante citometría de flujo de imágenes e inteligencia artificial

Las imágenes de haz de iones multiplexadas (MIBI) se utilizan a menudo para obtener imágenes de micromatrices de tejido y áreas de tejido contiguas en mosaico, pero el software actual para configurar estos experimentos es engorroso. La interfaz de mosaico/SED/matriz es una herramienta gráfica intuitiva e interactiva desarrollada para simplificar y acelerar drásticamente la configuración de ejecución de MIBI.

Configuración rápida de microarrays de tejidos e imágenes de área en mosaico en el microscopio de imágenes de haz de iones multiplexado utilizando la interfaz mosaico/SED/matriz 

Se ha presentado un proceso de registro de tomografías computarizadas de haz cónico e imágenes dentales digitales utilizando la identificación y fusión asistida por inteligencia artificial (IA) de puntos de referencia. Una comparación con el registro basado en la superficie muestra que la digitalización y la integración basadas en la IA son fiables y reproducibles.

Fiabilidad de la integración de la tomografía computarizada de haz cónico basada en inteligencia artificial con imágenes dentales digitales

La presencia de mastocitos en el margen interno y en las áreas peritumorales del carcinoma hepatocelular después de la resección confiere un pronóstico favorable. Este estudio avala el software de análisis de imágenes QuPath como una plataforma prometedora que podría satisfacer la necesidad de reproducibilidad, consistencia y precisión en la patología digital.

Los mastocitos en el microambiente del carcinoma hepatocelular confieren un pronóstico favorable: un estudio retrospectivo con el software de análisis de imágenes QuPath 

Aquí, presentamos un protocolo estandarizado para la detección del cáncer de próstata utilizando histología Raman estimulada (SRH) en muestras de biopsia debido a las ventajas sobre la histopatología tradicional, centrándonos en la preparación de la muestra, la imagen y la inteligencia artificial para mejorar la relación cáncer-tejido. Además, admite biobancos para modelos transcriptómicos, organoides o xenoinjertos, y la identificación de márgenes quirúrgicos intraoperatorios.

Detección y aislamiento de cáncer en biopsias de próstata mediante histología Raman estimulada e inteligencia artificial

Este manuscrito muestra cada paso de la personalización de un ojo protésico de vidrio criolita, incluyendo algunas ventajas importantes del uso de vidrio criolita para la fabricación de una prótesis ocular en comparación con poli(metil metacrilato). Además, este manuscrito ofrece a los oftalmólogos una mejor visión de la atención ocularista que podría mejorar la colaboración interprofesional.

Personalización de un ojo protésico de vidrio criolita

Aquí, presentamos un protocolo para administrar de forma segura y eficaz gas anestésico a ratones utilizando un sistema digital de anestesia de bajo flujo con ventilador integrado y módulos de monitoreo fisiológico.

Uso de un vaporizador anestésico de bajo flujo integrado, ventilador y sistema de monitoreo fisiológico para roedores

El presente protocolo describe la técnica de miógrafo de alambre para medir la reactividad vascular de la arteria coronaria de la rata.

Preparación estandarizada del anillo coronario de la rata y registro en tiempo real de los cambios dinámicos de tensión a lo largo del diámetro del vaso

Descubre cómo integrar inteligencia artificial en sistemas de patología digital para mejorar el diagnóstico histopatológico. Esta plataforma alcanza un 97% de precisión en detección de cáncer de próstata.

Introducción de un sistema integrado de gestión de imágenes de patología, inteligencia artificial y generación de informes

Explorar más videos