Name: Introduction d’un système intégré de gestion des images pathologiques, d’intelligence artificielle et de rapports (Vidéo) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: Découvrez FlexLIS, une plateforme intégrant l'intelligence artificielle aux systèmes d'information pathologique pour améliorer le diagnostic. Ce système atteint 97% de précision dans la détection du cancer de la prostate.

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>

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

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

Dans cette section, deux cas d’utilisation sont présentés pour démontrer comment l’IA peut aider les pathologistes à évaluer les images et à fournir des données diagnostiques.
Diagnostic du cancer de la prostate (Figure 7) : Évaluation histopathologique de la biopsie de la prostate avec cancer, y compris la longueur et le pourcentage de la tumeur, les scores de Gleason (3, 4 et 5), le pourcentage de Gleason 4 et 5, etc. Cette information est ensuite utilisée pour classer les patients en 4 groupes de grades (1 à 4), 4 étant le cancer de la prostate le plus agressif 4,5. Ces informations doivent être incluses dans le rapport de pathologie ; c’est donc un exemple parfait pour illustrer le diagnostic de pathologie assisté par l’IA.
Dans cet exemple, les lames de verre avec biopsie de la prostate ont d’abord été colorées avec la procédure d’hématoxyline-éosine (H&amp;E). La lame colorée a ensuite été numérisée pour générer une image complète de la lame (WSI), qui a été téléchargée dans le système via une interface directe entre l’ordinateur du scanner et le logiciel (figure 7). Une fois téléchargé, un modèle alimenté par l’IA traite l’étiquette, identifie et marque chaque entité, y compris la source de l’échantillon (c’est-à-dire la prostate) et le type de coloration (c’est-à-dire H&amp;E). Ce modèle détermine si l’image est une biopsie de la prostate colorée à H&amp;E. Si c’est le cas, un autre modèle basé sur l’IA analyse l’image et génère des commentaires ou des sorties basés sur l’analyse (Figure 7A). Ce modèle basé sur l’IA est également capable de précommander des colorants immunohistochimiques PIN4 pour aider les pathologistes à confirmer la présence de petites zones tumorales (Figure 3).
Ce modèle a été formé sur plus de 1700 images de lames entières de prostate (WSI) qui ont été annotées au pixel près par une équipe de pathologistes expérimentés. Suite à l’annotation des WSI, un modèle d’apprentissage profond est appliqué pour classer les tuiles de tissu prostatique en quatre catégories : bénigne, Gleason3, Gleason4 et Gleason5. Comme l’illustre la figure 5, les sorties basées sur des tuiles sont agrégées pour créer un masque de diapositive entière mettant en évidence les régions cancéreuses : Cancer (rouge), Gleason4 (vert) et Gleason5 (bleu ; Figure 6). En plus de ces masques, le modèle d’IA a généré un étiquetage final (Cancer ou Bénin) pour le WSI de la prostate. Cette classification est basée sur des caractéristiques morphologiques telles que les aires de Gleason3, Gleason4 et Gleason5, la certitude des masques Gleason3, Gleason4 et Gleason5, et d’autres facteurs. La performance de notre modèle actuel de la prostate pour la détection du cancer de la prostate a été confirmée par l’utilisation d’un ensemble indépendant de 1 000 WSI qui n’ont pas été utilisés lors de l’élaboration ou de la validation du modèle. Chaque diapositive du kit de validation est étiquetée comme bénigne ou cancéreuse. Le modèle entraîné attribue également une étiquette à chaque diapositive comme décrit. En comparant les étiquettes de vérité terrain avec les prédictions du modèle, des mesures de performance telles que la précision, la sensibilité, la spécificité et le score F1 ont été calculées, comme le montre le tableau 1. Les résultats indiquent que le modèle entraîné a des performances comparables à celles d’autres modèles d’IA de la prostate6.
En plus des scores de Gleason, le modèle d’IA est capable de déterminer la longueur et le pourcentage de tumeur, ainsi que le groupe de grade (Figure 7). De plus, le modèle d’IA est également capable de calculer les informations pathologiques et cliniques basées sur les groupes de risque du NCCN si elles sont fournies (Figure 7A). Dans FlexLIS, l’IA est capable de transcrire toutes les informations de diagnostic dans le rapport de pathologie, de sorte que les pathologistes n’ont pas à les saisir manuellement dans le rapport (Figure 7B). Bien que l’ensemble du processus d’IA soit effectué en arrière-plan et ne soit pas visible pour les pathologistes, les résultats de l’analyse de l’IA et la même image sont visibles pour les pathologistes qui peuvent décider de conserver ou de modifier les résultats de l’IA dans le rapport de pathologie (figure 7B).
Cytologie urinaire pour le dépistage du cancer de la vessie : La cytologie urinaire est la principale méthode non invasive pour le dépistage, le diagnostic et la surveillance du cancer de la vessie7. La cytologie urinaire classe les patients en quatre catégories : négatif pour le carcinome urothélial de haut grade, cellules urothéliales atypiques, suspect pour le carcinome urothélial de haut grade et carcinome urothélial de haut grade8. L’examen de la cytologie urinaire nécessite de l’expérience et des compétences et prend beaucoup de temps. Par conséquent, le dépistage par cytologie urinaire assisté par IA est très demandé. Ce cas présente une évaluation sur cellule unique par l’IA.
L’examen des lames de cytologie urinaire peut être un processus laborieux et chronophage pour les pathologistes. Il faut balayer méticuleusement de vastes champs et zoomer et dézoomer fréquemment pour localiser des cellules rares et significatives sur le plan diagnostique, ressemblant souvent à la recherche d’une aiguille dans une botte de foin. Cette approche manuelle exige non seulement beaucoup de temps et de concentration, mais contribue également à la fatigue diagnostique et à la variabilité potentielle des interprétations. Pour rationaliser ce processus, le modèle de cytologie urinaire basé sur l’IA intégré à FlexLIS a été développé pour aider les pathologistes en détectant et en classifiant automatiquement un large éventail de types de cellules dans les échantillons d’urine. Le modèle est capable d’identifier les catégories suivantes : HGUC (cellules de carcinome urothélial de haut grade), suspectes (cellules urothéliales avec des anomalies marquées suggérant une malignité mais non définitivement diagnostiques), cellules urothéliales atypiques, globules rouges (globules rouges), cristaux, lymphocytes, cellules polymorphes, virus du polyome, cellules tubulaires rénales, spermatozoïdes, cellules squameuses, cellules urothéliales normales, levures et autres. Pour améliorer encore la facilité d’utilisation, les catégories significatives sur le plan diagnostique (HGUC, cellules urothéliales atypiques et cellules suspectes) sont mises en évidence à l’aide de couleurs distinctes (Figure 8), ce qui permet aux pathologistes de se concentrer rapidement sur les zones d’intérêt sans avoir besoin d’un balayage manuel exhaustif.
De plus, le modèle d’IA quantifie le nombre de cellules dans chaque catégorie détectée et intègre de manière transparente ces données dans la sortie (Figure 8). Ces résultats sont automatiquement transcrits dans le rapport de pathologie, ce qui permet au pathologiste de se concentrer uniquement sur l’examen, la vérification et la finalisation du cas. Cela améliore considérablement l’efficacité du diagnostic, réduit la charge de travail manuelle et favorise la cohérence et la précision des rapports.
Pour entraîner le modèle d’IA, 500 régions ont été sélectionnées au hasard à partir de 150 images de lames entières d’échantillons de cytologie urinaire. Des cytopathologistes experts ont annoté manuellement les cellules de ces régions en 14 catégories prédéfinies, comme décrit précédemment, ce qui a donné plus de 30 000 cellules annotées. Les régions de 80 % des diapositives ont été utilisées pour la formation, tandis que les 20 % restants ont été réservés à la validation. Un modèle de détection d’objets a ensuite été formé et évalué pour identifier et classer avec précision les cellules dans les catégories définies.
En plus des modèles de cytologie de la prostate et de l’urine, le modèle d’IA en gastroentérologie est également disponible dans le logiciel. D’autres modèles, notamment le cancer de la vessie et le cancer du poumon, sont en cours de développement.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> 
Figure 1 : Flux de travail de pathologie. (A) Flux de travail traditionnel en pathologie. (B) Flux de travail de pathologie numérique. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> 
Figure 2 : fenêtre de connexion. Entrez e-mail dans la boîte de réception. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> 
Figure 3 : Fenêtre de la liste d’acquisition. (A) La barre latérale gauche indique différentes options d’utilisation. (B) Filtre d’accession pour rechercher et trier les cas. (C) Liste d’accession avec les informations de chaque cas, y compris le numéro d’acquisition, le nom du patient, l’état du cas, le nombre et la qualité des images, etc. Dans ce cas, 4 cas ont été attribués à l’utilisateur. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> 
Figure 4 : Fenêtre d’examen par le pathologiste. (A) Renseignements sur le cas, y compris l’état du cas. (B) Le tableau récapitulatif de l’échantillon fournit un résumé de chaque échantillon, y compris le site, le diagnostic et les commentaires. (C) Les informations sur l’échantillon fournissent des informations supplémentaires sur l’échantillon. (D) Panneau de contrôle du boîtier pour naviguer dans le boîtier. Le schéma de droite indique les sites de biopsie de la prostate et les résultats de l’IA (rouge-cancer, orange-ASAP et noir-bénin). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> 
Figure 5 : fenêtre d’examen des images. (A) La bibliothèque d’images (barre latérale gauche) répertorie tous les spécimens par ordre alphabétique avec des informations sur le type et l’état de la tache. (B) Barre d’outils (en haut) pour déplacer, annoter et partager les images. (C) Informations sur le cas/IA (barre latérale droite) pour faire des commentaires, communiquer avec le personnel et consulter les commentaires/sorties de l’IA. Il s’agit d’une biopsie de la prostate avec cancer de la prostate masqué par l’IA (rouge-cancer et vert-Gleason 4). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> 
Figure 6 : Sorties de l’IA. (A) Image histologique. (B) Rétroaction de l’IA, c’est-à-dire évaluation de l’image par l’IA, y compris la longueur de la tumeur, le score de Gleason, le groupe de notes, etc. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de cette figure.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> 
Figure 7 : Le modèle d’IA de la prostate évalue automatiquement l’image de la biopsie de la prostate et aide à générer des rapports de pathologie. (A) Après analyse des images dans l’IMS. (B) L’IA transmet les résultats au rapport de pathologie. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> 
Figure 8 : Évaluation par IA de la lame de cytologie urinaire. Les cellules urothéliales anormales ont été mises en évidence en rouge (cellules cancéreuses urothéliales de haut grade) et en rose (cellules suspectes). Les résultats de l’IA s’affichent dans l’encart (coin supérieur droit). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Exactitude</td>
			<td>Précision</td>
			<td>Sensibilité</td>
			<td>Spécificité</td>
			<td>Score F1</td>
		</tr>
		<tr>
			<td>97%</td>
			<td>96%</td>
			<td>98%</td>
			<td>96%</td>
			<td>97%</td>
		</tr>
	</tbody>
</table>
Tableau 1 : Performance du modèle d’IA de la prostate pour la détection de l’adénocarcinome dans les biopsies de la prostate.

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

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

Recherche

JoVE Journal

Medicine

Médecine

Nous décrivons les étapes à utiliser notre logiciel personnalisé conçu pour l'intégration de l'image, la visualisation et la planification dans la chirurgie de l'épilepsie.

Un pipeline pour la 3D multimodalité Intégration image et assistée par ordinateur Planification en chirurgie de l&#39;épilepsie

Ce protocole décrit un flux de travail à haut débit pour la segmentation basée sur l’intelligence artificielle des régions d’intérêt confirmées par la pathologie à partir d’images de coupes de tissus minces et colorées pour l’enrichissement des populations cellulaires résolues par histologie à l’aide de la microdissection laser. Cette stratégie comprend un nouvel algorithme permettant le transfert de démarcations désignant des populations cellulaires d’intérêt directement aux microscopes laser.

Microdissection laser industrialisée guidée par l’intelligence artificielle pour l’analyse protéomique à micro-échelle du microenvironnement tumoral

Le test du micronoyau (MN) est un test bien établi pour quantifier les dommages à l’ADN. Cependant, la notation du test à l’aide de techniques conventionnelles telles que la microscopie manuelle ou l’analyse d’images basée sur des caractéristiques est laborieuse et difficile. Cet article décrit la méthodologie pour développer un modèle d’intelligence artificielle pour noter le test MN à l’aide de données de cytométrie de flux d’imagerie.

Automatisation du test du micronoyau à l’aide de la cytométrie en flux d’imagerie et de l’intelligence artificielle

L’imagerie par faisceau d’ions multiplexés (MIBI) est souvent utilisée pour imager des microréseaux de tissus et des zones de tissus contiguës en mosaïques, mais les logiciels actuels pour mettre en place ces expériences sont lourds. L’interface tile/SED/array est un outil graphique intuitif et interactif développé pour simplifier et accélérer considérablement la configuration de l’exécution MIBI.

Configuration rapide de l’imagerie des microréseaux de tissus et des zones en mosaïque sur le microscope d’imagerie à faisceau d’ions multiplexé à l’aide de l’interface Tile/SED/Array 

Un processus d’enregistrement de tomodensitométries à faisceau conique et d’images dentaires numériques a été présenté à l’aide de l’identification et de la fusion assistées par l’intelligence artificielle (IA). Une comparaison avec le recalage basé sur la surface montre que la numérisation et l’intégration basées sur l’IA sont fiables et reproductibles.

Fiabilité de l’intégration de la tomodensitométrie à faisceau conique basée sur l’intelligence artificielle avec les images dentaires numériques

La présence de mastocytes dans la marge interne et les zones péritumorales du carcinome hépatocellulaire après résection confère un pronostic favorable. Cette étude confirme que le logiciel d’analyse d’images QuPath est une plate-forme prometteuse qui pourrait répondre au besoin de reproductibilité, de cohérence et de précision en pathologie numérique.

Les mastocytes dans le microenvironnement du carcinome hépatocellulaire confèrent un pronostic favorable : une étude rétrospective à l’aide du logiciel d’analyse d’images QuPath 

Ici, nous présentons un protocole standardisé pour détecter le cancer de la prostate à l’aide de l’histologie Raman stimulée (SRH) sur des échantillons de biopsie en raison des avantages par rapport à l’histopathologie traditionnelle, en nous concentrant sur la préparation des échantillons, l’imagerie et l’intelligence artificielle pour améliorer le rapport cancer-tissu. De plus, il prend en charge la biobanque pour la transcriptomique, les modèles d’organoïdes ou de xénogreffes, et...

Détection et isolement du cancer dans les biopsies de la prostate à l’aide de l’histologie Raman stimulée et de l’intelligence artificielle

Ce manuscrit montre chaque étape de la personnalisation d'un œil prothétique en verre cryolite, y compris certains avantages majeurs de l'utilisation du verre cryolite pour la fabrication d'une prothèse oculaire par rapport à poly (méthyle méthylique méthacrylate). En outre, ce manuscrit donne aux ophtalmologistes un meilleur aperçu des soins oculaires qui pourraient améliorer la collaboration interprofessionnelle.

Personnalisation d'un œil prothétique en verre cryolite

Ici, nous présentons un protocole pour administrer en toute sécurité et efficacement le gaz anesthésique aux souris à l’aide d’un système d’anesthésie numérique à faible débit avec ventilateur intégré et modules de surveillance physiologique.

Utilisation d’un vaporisateur anesthésique intégré à faible débit, d’un ventilateur et d’un système de surveillance physiologique pour les rongeurs

Le présent protocole décrit la technique du myographe filaire pour mesurer la réactivité vasculaire de l’artère coronaire du rat.

Préparation standardisée de l’anneau coronaire de rat et enregistrement en temps réel des changements de tension dynamiques le long du diamètre du vaisseau

Découvrez FlexLIS, une plateforme intégrant l'intelligence artificielle aux systèmes d'information pathologique pour améliorer le diagnostic. Ce système atteint 97% de précision dans la détection du cancer de la prostate.

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

Explorer plus de vidéos