Introduction d’un système intégré de gestion des images pathologiques, d’intelligence artificielle et de rapports

Notre recherche se concentre sur le développement d’une nouvelle plate-forme, qui comprend l’intégration d’un système d’information pathologique, d’un système de gestion d’images et d’une intelligence artificielle à la pathologie moderne avancée. La question à laquelle NovinoAI tente de répondre est de savoir si une telle plateforme peut être développée, utilisée dans la pratique, la recherche et l’éducation en pathologie. Les technologies comprennent l’ingénierie informatique, le balayage numérique, la pathologie computationnelle et l’entraînement de modèles d’IA. L’un des défis les plus importants est la disponibilité d’une plateforme, qui permet à l’IA d’être intégrée et d’effectuer des tâches de manière transparente. Nous démontrons qu’une plate-forme intégrée peut être développée et utilisée dans la pratique, la recherche et l’éducation en pathologie avec la précision souhaitable. Nous continuons à développer d’autres modèles d’IA, y compris des modèles de base pour les recherches futures.

[Narrateur] Pour commencer, ouvrez un navigateur Web et accédez au site Web de prod FlexLIS. Entrez l’adresse e-mail de l’utilisateur pré-enregistré et cliquez sur Continuer pour continuer. Un e-mail sera envoyé à l’adresse enregistrée. Allez dans la boîte de réception de l’e-mail et cliquez sur le lien de connexion fourni pour accéder à la fenêtre de la liste d’accès. Allumez maintenant l’alimentation du scanner numérique et chargez la diapositive de vitrail précédemment dans le scanner. Appuyez sur le bouton de démarrage pour commencer à numériser la diapositive de verre. Les images numérisées seront automatiquement téléchargées sur le système via une interface directe et apparaîtront disposées au format de cas, comme un plateau de lames de pathologiste. Dans la fenêtre de la liste d’acquisition, affichez la liste des cas attribués et les images de diapositives correspondantes dans la fenêtre de révision des images. Dans la fenêtre de la liste d’acquisition, cliquez sur la flèche vers le bas à côté du boîtier étiqueté PN 2404 pour révéler les taches commandées par le personnel et l’IA, telles que la broche quatre. Un point vert sur l’icône du microscope indique que l’analyse de l’IA est terminée. Un point jaune indique que l’IA détecte dès que possible sur cette diapositive. Les valeurs totales prêtes à l’emploi examinées indiquent le nombre de catégories d’images. Un point d’exclamation après le numéro de l’image signale des problèmes de qualité tels que des images manquantes ou floues. Ensuite, cliquez sur l’icône de l’utilisateur à côté du cas PN 2404 pour ouvrir la fenêtre d’examen du pathologiste et observer le tableau récapitulatif des échantillons, en énumérant tous les échantillons par ordre alphabétique. Affichez les résultats générés par l’IA pour chaque échantillon, y compris les diagnostics tels que le code HG bénin, l’ASAP ou le cancer, ainsi que des descriptions telles que les scores de Gleason, la longueur de la tumeur et le groupe de grades. Examinez ensuite les catégories de diagnostic codées en couleur, montrant le cancer en rouge, ASAP en orange, HG en vert et bénin en noir. Cliquez maintenant sur l’icône du microscope pour ouvrir la fenêtre d’examen de l’image et afficher l’image de la lame correspondante. Examinez les annotations de l’IA avec des reflets rouges indiquant le cancer et des reflets verts montrant Gleason quatre. Cliquez sur C pour afficher l’image C, puis sur D pour afficher l’image D, et ainsi de suite. Enfin, cliquez sur l’icône de retour d’information de l’IA pour afficher le résultat détaillé de l’analyse de l’IA. Le modèle d’IA pour la détection du cancer de la prostate a atteint une précision de 97 % avec une précision de 96 %, une sensibilité de 98 %, une spécificité de 96 % et un score F1 de 97 %. Le système d’histopathologie assisté par l’IA a annoté avec précision les régions de Gleason trois, Gleason quatre et Gleason cinq sur des lames de biopsie de la prostate, à l’aide d’une superposition de masque à code couleur. Le système d’IA a automatiquement extrait des mesures pathologiques clés, notamment la longueur de la tumeur, le pourcentage, les scores de Gleason et le groupe de grade de la biopsie de la prostate. Le modèle de cytologie urinaire basé sur l’IA a automatiquement identifié les cellules significatives sur le plan diagnostique, notamment le carcinome urothélial de haut grade, les cellules atypiques et les cellules suspectes, chacune étant encadrée par un code couleur.