방법 논문

통합 병리학 영상 관리, 인공지능 및 보고 시스템 도입

DOI:

10.3791/68270

⸱

2025년 7월 11일

 ,  ,  , 
1NovinoAI, 2Department of Veterans Affairs, New York Harbor Healthcare System

이 논문에서

요약

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

통합 이미지 관리, 인공 지능(AI) 및 보고 시스템은 진단 병리학 진료에 혁명을 일으켰습니다. 이 백서에서는 AI가 병리학자가 조직병리학 이미지 평가를 수행하고 진단 보고서를 생성하는 데 도움을 줄 수 있도록 하는 최첨단 시스템인 FlexLIS를 소개합니다.

초록

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

전자 보고 시스템(LIS), 이미지 관리 시스템(IMS) 및 AI 모델의 개발은 병리학 관행에 혁명을 일으켰습니다. 이러한 시스템은 고급 IMS와 정교한 AI 알고리즘을 통합하여 진단 프로세스를 더욱 간소화하여 보다 정확하고 효율적인 진단을 가능하게 합니다. FlexLIS는 이미지 분석을 위해 AI 모델을 통합하고 AI가 생성한 결과를 포괄적인 병리학 보고서에 기록하는 최첨단 디지털 병리학 소프트웨어입니다. 이 AI 통합 시스템은 또한 품질 관리(QC)를 지원하고, 까다로운 사례에 대한 특수 염색을 주문하고, 상담을 용이하게 할 수 있습니다. 결과적으로 병리학자의 진단 정확도와 작업 흐름을 개선할 수 있는 잠재력이 있습니다. 이 백서에서는 병리학자가 소프트웨어를 사용하여 슬라이드 이미지를 검토하고 병리학 보고서를 생성하는 방법에 대한 간결한 프로토콜을 제공합니다. 또한 전립선 바늘 코어 생검을 사용한 전립선암 진단에 대한 응용 프로그램과 소변 세포학을 통한 방광암 검사에 대해 논의하여 플랫폼의 다양성과 임상 실습에서의 영향력을 보여줍니다.

서론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

진단 병리학은 환자로부터 얻은 조직을 검사하여 질병을 진단하는 중요한 의료 전문 분야입니다. 조직 샘플을 처리하고, 조직의 얇은 부분을 유리 슬라이드에 올려 놓은 다음, 헤마톡실린 및 에오신(H&E)과 같은 화학 물질로 염색합니다. 전통적으로 병리학자들은 현미경으로 유리 슬라이드의 얼룩진 조직을 검사하고 컴퓨터 소프트웨어, 즉 실험실 정보 시스템(LIS; 그림 1A). 지난 10년 동안 디지털 병리학은 병리학 실습에 점진적으로 도입되었으며, 유리 슬라이드를 스캔하여 전체 슬라이드 이미지(WSI)를 생성함으로써 유리 슬라이드를 디지털화했습니다1. 병리학자는 진단을 렌더링하기 위해 이미지 관리 시스템(IMS)을 사용하여 슬라이드 이미지만 검토하면 되며, 이는 병리학 실습의 워크플로에 큰 영향을 미칩니다(그림 1B). 보다 최근에는 디지털화된 조직병리학 이미지의 심층 머신 러닝을 통한 인공 지능(AI)이 병리학자의 진단 정확도와 효율성을 향상시킬 수 있는 잠재적인 기회를 제공합니다 1,2.

서로 다른 시기에 LIS, IMS 및 병리학 AI가 도입 및 개발되었기 때문에 이러한 시스템은 서로 다른 공급업체에서 공급하며 독립적으로 작동합니다. 현재 병리학자는 두 개의 별도 시스템, 즉 진단 보고를 위한 LIS와 이미지 검토를 위한 IMS를 사용해야 합니다1. 또한 현재 AI 모델은 IMS에서 더 잘 작동하도록 설계되었지만 LIS3에서는 그렇지 않습니다. LIS, IMS 및 AI의 비호환성은 일상적인 병리학 실습에서 디지털 병리학 및 AI 모델의 개발 및 구현에 큰 영향을 미칩니다. AI가 IMS에서 이미지를 검토하고 LIS에서 병리학 보고서를 생성할 수 있도록 LIS와 IMS를 결합한 통합 시스템을 갖추는 것이 이상적이고 중요합니다.

따라서 병리학자가 언제 어디서나 이미지에 액세스하고 보고서를 발행할 수 있는 클라우드 기반의 통합 LIS/IMS/AI 시스템을 개발하는 것이 우리의 목표입니다. 또한 AI 모델은 IMS와 LIS 간에 원활하게 상호 작용하므로 IMS의 이미지에 대한 AI 평가 결과를 LIS의 병리학 보고서에 자동으로 기록할 수 있습니다. 병리학자는 수동 입력 없이 IMS에서 이미지를 검토하고 LIS에서 진단을 확인하기만 하면 됩니다. 이 기사에서는 병리학자가 FlexLIS를 사용할 수 있는 프로토콜을 제시하고 방광암 검진을 위한 전립선암 진단 및 소변 세포학에서 AI 지원 이미지 분석 및 보고의 실제 응용 프로그램을 시연합니다.

프로토콜

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

FlexLIS는 HIPAA(Health Insurance Portability and Accountability Act)를 포함한 데이터 개인 정보 보호 표준 및 규제 프레임워크를 엄격하게 준수하여 설계되었습니다. 시스템 내에서 처리되는 모든 환자 데이터는 업계 표준 프로토콜을 사용하여 저장 및 전송 중에 모두 암호화됩니다.

1. 계정 설정

  1. 웹 브라우저를 엽니다. Continue 를 입력합니다(그림 2). 사용자에게 이메일이 전송됩니다.
  2. 이메일로 이동하여 링크를 클릭하여 로그인하면 Accession List(등록 목록) 창이 열립니다(그림 3).

2. 유리 슬라이드의 디지털화

  1. 디지털 스캐너 전원을 켜고 이전에 스테인드글라스 슬라이드(예: 헤마톡실린 및 에오신)를 스캐너에 로드합니다.
  2. 시작을 눌러 유리 슬라이드 스캔을 시작합니다. 이미지는 직접 인터페이스를 통해 시스템에 자동으로 업로드되고 병리학자가 일반적으로 슬라이드 트레이에서 보는 것처럼 케이스 형식으로 정렬됩니다.

3. 데이터 분석

  1. Accession List(식별 목록) 창(그림 3 및 그림 4)에서 사례 목록을 확인하고 Image Review 창(그림 5 및 그림 6)에서 해당 이미지를 참조하십시오.
    참고: 이 소프트웨어는 작업 성공률, 작업 소요 시간, 오류율, 작업당 작업 수, 시스템 사용성 척도(SUS), 사용자 연구 및 인터뷰를 통한 사용자 만족도와 같은 벤치마크를 사용하여 사용자 사용성을 측정합니다. 실시간 사용자 모니터링(RUM) 및 애플리케이션 오류 모니터링을 위해 Datadog을 사용합니다.
  2. Accession List(식별 목록) 창에서 사용자는 할당된 케이스 목록을 볼 수 있습니다(그림 3C). 케이스 앞의 아래쪽 화살표 버튼(PN24-00004)을 클릭하면 직원과 AI(이 경우 PIN4)가 주문한 얼룩을 볼 수 있습니다. 현미경 아이콘의 녹색 점은 AI 분석이 완료되었음을 나타냅니다(그림 2C). 식별 번호 앞의 빨간색 점은 AI가 이미지에서 감지한 암을 나타냅니다(그림 2C). Reviewed/Ready/Total은 각 범주에 있는 총 이미지 수를 나타냅니다. 그만큼 ! 이미지 번호 뒤의 표시는 이미지 품질에 대한 AI 평가(즉, 이미지가 누락되거나 흐릿함)를 나타냅니다.
  3. PN24-00004 사례 앞에 있는 사용자 아이콘을 클릭하면 병리학자 검토 창으로 이동합니다(그림 4). 모든 표본은 표본 요약 표에 알파벳순으로 나열되어 있습니다(그림 4B). 사용자는 진단(양성, HGPIN, ASAP, 암) 및 설명(글리슨 점수, 종양 길이 및 등급 그룹; 그림 4B). 사용자는 또한 다이어그램(red-cancer, orange-ASAP 및 black-benign; 그림 4B).
  4. 왼쪽의 현미경 아이콘을 클릭하여 B(그림 4B)로 이동하면 Image Review 창(그림 5)이 열립니다. 사용자는 별도의 이미지 검토 창에서 해당 이미지를 볼 수 있습니다(그림 5). 또한 사용자는 AI 주석을 볼 수 있으며, 빨간색 강조 표시는 암을 나타내고, 녹색 강조 표시는 Gleason 4를 나타냅니다(그림 5).
  5. C(그림 5A)를 클릭하여 이미지 C를 보고, D를 클릭하여 이미지 D를 보는 등의 작업을 수행합니다. 그림 5C의 AI 피드백 아이콘을 클릭하면 AI 출력의 세부 정보를 볼 수 있습니다(그림 6).

결과

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 섹션에서는 AI가 병리학자가 이미지를 평가하고 진단 입력을 제공하는 데 어떻게 도움이 되는지 보여주기 위해 두 가지 사용 사례를 제시합니다.

전립선암 진단(그림 7): 종양 길이 및 백분율, Gleason 점수(3, 4 및 5), Gleason 4 및 5 백분율 등을 포함한 암을 동반한 전립선 생검의 조직병리학적 평가. 이 정보는 환자를 4가지 등급 그룹(1-4)으로 분류하는 데 사용되며, 그 중 4개는 가장 공격적인 전립선암입니다 4,5. 이 정보는 병리학 보고서에 포함되어야 합니다. 따라서 AI 지원 병리학 진단을 설명하는 완벽한 예입니다.

이 예시에서, 전립선 생검을 통한 유리 슬라이드는 처음에 헤마톡실린-에오신(H&E) 절차로 염색했습니다. 그런 다음 염색된 슬라이드를 디지털화하여 전체 슬라이드 이미지(WSI)를 생성하고, 이 이미지는 스캐너 컴퓨터와 소프트웨어 간의 직접 인터페이스를 통해 시스템에 업로드되었습니다(그림 7). 업로드되면 AI 기반 모델이 라벨을 처리하고, 표본 소스(예: 전립선) 및 염색 유형(예: H&E)을 포함한 모든 개체를 식별하고 태그를 지정합니다. 이 모델은 이미지가 H&E 염색 전립선 생검인지 여부를 결정합니다. 그렇다면 다른 AI 기반 모델이 이미지를 분석하고 분석을 기반으로 피드백 또는 출력을 생성합니다(그림 7A). 이 AI 기반 모델은 또한 병리학자가 작은 종양 영역의 존재를 확인하는 데 도움이 되도록 PIN4 면역조직화학 염색을 사전 주문할 수 있습니다(그림 3).

이 모델은 경험이 풍부한 병리학자 팀이 픽셀 단위로 주석을 달아 1,700개 이상의 전립선 전체 슬라이드 이미지(WSI)에 대해 훈련했습니다. WSI의 주석에 이어 딥 러닝 모델이 적용되어 전립선 조직 타일을 Benign, Gleason3, Gleason4 및 Gleason5의 네 가지 범주로 분류합니다. 그림 5에서 볼 수 있듯이, 타일 기반 출력은 암 영역을 강조하는 전체 슬라이드 마스크를 생성하기 위해 집계됩니다: 암(빨간색), Gleason4(녹색) 및 Gleason5(파란색; 그림 6). 이러한 마스크 외에도 AI 모델은 전립선 WSI에 대한 최종 라벨(암 또는 양성)을 생성했습니다. 이 분류는 Gleason3, Gleason4 및 Gleason5의 영역, Gleason3, Gleason4 및 Gleason5 마스크의 확실성 및 기타 요인과 같은 형태학적 특징을 기반으로 합니다. 전립선암 검출을 위한 현재 전립선 모델의 성능은 모델 개발 또는 검증 중에 사용되지 않은 1,000개의 독립적인 WSI 세트를 사용하여 확인되었습니다. 검증 세트의 각 슬라이드는 양성 또는 암으로 레이블이 지정됩니다. 또한 학습된 모델은 설명된 대로 각 슬라이드에 레이블을 할당합니다. 실측 자료 레이블을 모델의 예측과 비교하여 표 1과 같이 정확도, 민감도, 특이성 및 F1 점수와 같은 성능 메트릭을 계산했습니다. 결과는 훈련된 모델이 다른 전립선 AI 모델과 유사한 성능을 발휘한다는 것을 나타냅니다6.

Gleason 점수 외에도 AI 모델은 종양의 길이와 백분율, 등급 그룹을 결정할 수 있습니다(그림 7). 또한 AI 모델은 제공된 경우 NCCN 위험 그룹 기반 병리학 및 임상 정보도 계산할 수 있습니다(그림 7A). FlexLIS에서 AI는 모든 진단 정보를 병리학 보고서에 기록할 수 있으므로 병리학자가 보고서에 수동으로 입력할 필요가 없습니다(그림 7B). 전체 AI 프로세스는 백그라운드에서 완료되어 병리학자에게는 보이지 않지만, 병리학자는 AI 분석 결과와 동일한 이미지를 볼 수 있으며, 병리학자는 병리학 보고서에서 AI 결과를 유지하거나 변경하기로 결정할 수 있습니다(그림 7B).

방광암 검진을 위한 소변세포검사: 소변세포검사는 방광암 검진, 진단 및 모니터링을 위한 일차적인 비침습적 방법이다7. 소변세포학은 환자를 4가지 범주로 분류한다: 고도 요로상피암종은 음성, 비정형 요로상피 세포는 고등급 요로상피암이 의심되는 환자, 고등급 요로상피암은 의심된다8. 소변 세포학을 검토하려면 경험과 기술이 필요하며 시간이 많이 걸립니다. 따라서 AI 보조 소변 세포 검사에 대한 요구가 높습니다. 이 사례는 AI에 의한 단일 세포 평가를 나타냅니다.

소변 세포학 슬라이드를 검사하는 것은 병리학자에게 노동 집약적이고 시간이 많이 소요되는 과정일 수 있습니다. 넓은 영역을 꼼꼼하게 스캔하고 진단적으로 중요한 희귀한 세포를 찾기 위해 자주 확대 및 축소해야 하며, 이는 종종 건초더미에서 바늘을 찾는 것과 유사합니다. 이러한 수동 접근 방식은 상당한 시간과 집중을 요구할 뿐만 아니라 진단의 피로와 해석의 잠재적 가변성에 기여합니다. 이 프로세스를 간소화하기 위해 FlexLIS에 통합된 AI 기반 소변 세포학 모델은 소변 샘플에서 다양한 세포 유형을 자동으로 감지하고 분류하여 병리학자를 지원하도록 개발되었습니다. 이 모델은 HGUC(High-Grade Urothelial Carcinoma cells), 의심스러운(악성 종양을 암시하는 현저한 이상이 있지만 확정적으로 진단되지 않는 요로상피 세포), 비정형 요로상피 세포, RBC(적혈구), 결정, 림프구, 다형성 세포, 다종 바이러스, 신장 세뇨관 세포, 정자, 편평 세포, 정상 요로 상피 세포, 효모 등. 유용성을 더욱 향상시키기 위해 HGUC, 비정형 요로상피 세포 및 의심스러운 범주와 같은 진단적으로 중요한 범주를 고유한 색상으로 강조 표시하여(그림 8) 병리학자가 철저한 수동 스캔 없이 관심 영역에 빠르게 집중할 수 있습니다.

또한 AI 모델은 감지된 각 범주의 세포 수를 정량화하고 이 데이터를 출력에 원활하게 통합합니다(그림 8). 이러한 결과는 병리학 보고서에 자동으로 기록되므로 병리학자는 사례를 검토, 확인 및 마무리하는 데만 집중할 수 있습니다. 이를 통해 진단 효율성이 크게 향상되고, 수동 작업 부하가 줄어들며, 보고서 전반에 걸쳐 일관성과 정확성이 향상됩니다.

AI 모델을 훈련하기 위해 소변 세포학 표본의 전체 슬라이드 이미지 150개에서 500개 영역을 무작위로 선택했습니다. 전문 세포병리학자는 앞서 설명한 것처럼 이 영역 내의 세포를 14개의 사전 정의된 범주로 수동으로 주석을 달아 30,000개 이상의 주석이 달린 세포를 생성했습니다. 슬라이드의 80%에 있는 영역은 학습에 사용되었고 나머지 20%는 유효성 검사를 위해 예약되었습니다. 그런 다음 정의된 범주에서 세포를 정확하게 식별하고 분류하기 위해 개체 감지 모델을 훈련하고 평가했습니다.

전립선 및 소변 세포학 모델 외에도 위장병학 AI 모델도 소프트웨어에서 사용할 수 있습니다. 방광암과 폐암을 포함한 다른 모델들도 개발 과정에 있다.

figure-results-1
그림 1: 병리학 워크플로우. (A) 전통적인 병리학 워크플로우. (B) 디지털 병리학 워크플로우. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-2
그림 2: 로그인 창. 이메일 상자에 이메일을 입력합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-3
그림 3: 식별 목록 창. (A) 왼쪽 사이드바는 다른 사용자 옵션을 나타냅니다. (B) Accession Filter를 사용하여 케이스를 검색하고 정렬합니다. (C) 식별 번호, 환자 이름, 사례 상태, 이미지 수 및 품질 등을 포함한 각 사례의 정보가 포함된 등록 목록. 이 경우 사용자에게 4개의 케이스가 할당되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-4
그림 4: 병리학자 검토 창. (A) 사례 상태를 포함한 사례 정보. (B) Specimen Summary 테이블은 부위, 진단 및 의견을 포함하여 각 표본에 대한 요약을 제공합니다. (C) 검체 정보는 검체에 대한 추가 정보를 제공합니다. (D) 케이스 탐색을 위한 케이스 제어판. 오른쪽 다이어그램은 전립선 생검 부위와 AI 결과(적색암, 주황색-ASAP, 흑양성)를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-5
그림 5: 이미지 검토 창. (A) 이미지 라이브러리(왼쪽 사이드바)는 모든 표본을 얼룩 유형 및 상태에 대한 정보와 함께 알파벳순으로 나열합니다. (B) 도구 모음(상단)을 사용하여 이미지를 이동하고, 주석을 달고, 공유합니다. (C) 사례 정보/AI(오른쪽 사이드바) 의견을 제시하고, 직원과 의사 소통하고, AI 피드백/출력을 볼 수 있습니다. 이 사례는 AI(red-cancer 및 green-Gleason 4)에 의해 가려진 전립선암에 대한 전립선 생검입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-6
그림 6: AI 출력. (A) 조직학 이미지. (B) AI 피드백, 즉 종양 길이, Gleason 점수, 등급 그룹 등을 포함한 이미지의 AI 평가 . 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-7
그림 7: 전립선 AI 모델은 전립선 생검 이미지를 자동으로 평가하고 병리학 보고서 생성을 지원합니다. (A) IMS에서 이미지를 분석한 후. (B) AI는 결과를 병리학 보고서에 출력합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-8
그림 8: 소변 세포학에 대한 AI 평가 슬라이드. 비정상적인 요로상피세포는 빨간색(고급 요로상피암세포)과 분홍색(의심 세포)으로 강조되었습니다. 인서트(오른쪽 상단 모서리)에 표시되는 AI 결과. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

정밀정밀민감특이성F1 점수
97%96%98%96%97%

표 1: 전립선 생검에서 선암종을 검출하기 위한 전립선 AI 모델의 성능.

토론

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

FlexLIS의 성공적이고 정확한 적용은 사전 분석, 분석 및 사후 분석 요인1으로 정의할 수 있는 프로세스 내의 몇 가지 중요한 단계에 달려 있습니다. 가장 중요한 사전 분석 요소는 디지털 스캐너, 슬라이드 라벨 및 염색의 영향을 받는 이미지 품질입니다. 이미지 품질이 좋지 않으면 이미지 평가 및 AI 성능에 큰 영향을 미칩니다. 분석 요소에는 인터넷 속도, 이미지 표시 품질(픽셀 및 해상도), 소프트웨어의 안정성, 사용자의 올바른 작동이 포함됩니다. 사후 분석 요소에는 이미지 저장 및 보존, 이미지 백업, 복원력, 데이터 보안 및 HIPAA 규정 준수1이 포함됩니다. 이 소프트웨어는 병리학자가 병리학자를 위해 설계했기 때문에 오작동을 포함하여 일상적인 실습에서 발생하는 많은 잠재적인 분석 오류를 감지하고 플래그를 지정하여 다음 단계로 이동하기 전에 이러한 오류가 수정되었는지 확인할 수 있습니다. 예를 들어, 이미지를 검토하지 않고 진단을 입력하지 않으면(그림 4) 사례를 확정할 수 없습니다.

이 소프트웨어는 워크플로우를 크게 간소화하지만 가끔 조정이나 문제 해결이 필요할 수 있습니다. 예를 들어, AI의 평가와 병리학자의 해석 사이에 불일치가 발생할 수 있습니다. 이러한 차이는 이미지 품질, 슬라이드 염색 기술의 변형 또는 초기 훈련 데이터 세트에서 과소 대표된 희귀 종양 유형 및 조직병리학적 패턴의 존재와 같은 요인으로 인해 발생할 수 있습니다. 이러한 문제를 해결하기 위해 병리학자가 AI 모델에 피드백을 제공하는 human-in-the-loop 접근 방식이 활용됩니다. 이 피드백은 새롭고 더 다양한 학습 데이터로 모델을 주기적으로 업데이트하는 데 사용되어 시간이 지남에 따라 정확도와 일반화 가능성을 개선합니다. 이를 통해 시스템이 실제 임상 경험을 기반으로 계속 발전하고 개선될 수 있습니다.

각 LIS9, IMS 및 AI10 시스템은 이전에 보고되었지만, FlexLIS는 우리가 아는 한 이전에 보고된 적이 없는 통합 시스템으로 두드러집니다. 더 중요한 것은 AI 모델을 포함한 이 통합 시스템이 여러 병리학 실습에서 매일 사용되어 왔으며 그 유용성과 신뢰성을 입증했다는 것입니다. 이러한 시스템은 일상적인 병리학 실험실에서 사용하도록 설계되었으므로 전립선, 방광, 유방, 폐, GI, GYN 등을 포함한 다양한 병리학 표본의 취급 및 보고를 지원합니다. 이 시스템은 진단 정확도에 영향을 줄 수 있는 이미지의 아티팩트(흐릿하고 누락된 조직)의 감지 및 플래그를 포함하여 여러 AI 기반 품질 관리 기능을 통합합니다. 마지막으로, 이 시스템은 매우 유연하며 각 개별 실험실의 특정 요구 사항에 맞게 조정할 수 있습니다.

이 통합 LIS/IMS/AI 시스템의 향후 응용 분야는 임상 서비스, 생물 의학 연구, 의대생/레지던트 교육을 포함하여 매우 광범위합니다. Institutional Review Board에서 요구하는 기준을 포함하여 연구의 높은 기준을 충족하도록 보장하는 별도의 연구 모듈을 제공합니다., 1) 환자의 ID가 포함된 원본 슬라이드 라벨을 비워 이미지를 비우고 새로운 연구 ID를 할당합니다. 2) 연구 설계에 따라 슬라이드와 사례를 정렬하고 정렬합니다. 3) 데이터 분석 및 요약 등을 위해 참가자의 진단 및 의견을 기록하고 추적합니다.

교육에서의 유용성은 현재 진행 중인 주민 교육 프로젝트11에 의해 입증되었으며, 이는 AI 지원이 주요 조직병리학적 특징을 식별하는 데 있어 거주자의 정확도를 높일 수 있음을 나타냅니다. 사용자 친화적인 IMS 및 시스템의 많은 이미지, AI 마스크 및 주석의 제어 가능한 액세스, 통합 병리학 관련 ChatGPT 기능, 안전하고 편리한 사례 공유 기능을 포함하여 여기에 설명된 소프트웨어 내의 여러 기능은 자기 주도 학습과 멘토 안내 교육 모두에 유용한 플랫폼입니다.

현재 이 소프트웨어는 다른 AI 기반 이미지 관리 플랫폼과 마찬가지로 몇 가지 제한 사항과 과제에 직면해 있습니다1. 기존 EMR과의 인터페이스, 대용량 이미지의 저장 및 검색 등을 포함한 통합의 과제는 구현할 때 고려해야 합니다. 다양한 기관, 스캐너, 염색 프로토콜 및 환자 집단에 걸친 AI 모델의 일반화 가능성과 이미지 인공물에 대한 민감도, 조직 준비 변동성 및 희귀 조직학 패턴은 병리학 AI 모델과 관련된 몇 가지 제한 사항입니다. 마지막으로, 상호 운용성은 데이터 형식, 진단 용어 및 플랫폼별 도구의 단편화로 인한 병리학 AI 시스템의 또 다른 과제입니다.

공개 사항

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자는 FlexLIS의 개발에 참여하고 있습니다. LIS/IMS 시스템과 AI는 NovinoAI에 의해 개발되었으며 NovinoAI의 독점입니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
플렉스리스노비노 AI

참고문헌

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

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

AI

관련 논문