Name: 통합 병리학 영상 관리, 인공지능 및 보고 시스템 도입 (동영상) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: 학습하세요 AI 통합 병리 정보 시스템을 활용한 디지털 영상 관리 및 진단 보고 방법을. 전립선암 검출에서 97% 정확도를 달성한 이 플랫폼은 병리 진단의 정확성과 효율성을 혁신적으로 향상시킵니다.

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

통합 병리학 영상 관리, 인공지능 및 보고 시스템 도입

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

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&amp;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&amp;E)을 포함한 모든 개체를 식별하고 태그를 지정합니다. 이 모델은 이미지가 H&amp;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.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> 
그림 1: 병리학 워크플로우. (A) 전통적인 병리학 워크플로우. (B) 디지털 병리학 워크플로우. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> 
그림 2: 로그인 창. 이메일 상자에 이메일을 입력합니다. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> 
그림 6: AI 출력. (A) 조직학 이미지. (B) AI 피드백, 즉 종양 길이, Gleason 점수, 등급 그룹 등을 포함한 이미지의 AI 평가 <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank">. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>정밀</td>
			<td>정밀</td>
			<td>민감</td>
			<td>특이성</td>
			<td>F1 점수</td>
		</tr>
		<tr>
			<td>97%</td>
			<td>96%</td>
			<td>98%</td>
			<td>96%</td>
			<td>97%</td>
		</tr>
	</tbody>
</table>
표 1: 전립선 생검에서 선암종을 검출하기 위한 전립선 AI 모델의 성능.

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

연구

JoVE Journal

Medicine

의학

우리는 간질 수술에 이미지 통합, 시각화 및 계획에 대한 우리의 사용자 정의 설계 소프트웨어를 사용하는 단계를 설명합니다.

간질 수술에 3D Multimodality 이미지 통합 및 컴퓨터 지원 계​​획에 대한 파이프 라인

이 프로토콜은 레이저 미세 해부를 사용하여 조직학적으로 해결된 세포 집단의 농축을 위해 염색된 얇은 조직 섹션 이미지로부터 병리학적으로 확인된 관심 영역의 인공 지능 기반 세분화를 위한 고처리량 워크플로우를 설명합니다. 이 전략에는 관심 있는 세포 집단을 나타내는 경계선을 레이저 현미경으로 직접 전송할 수 있는 새로운 알고리즘이 포함되어 있습니다.

종양 미세환경의 미세스케일 프로테오믹 분석을 위한 산업화된 인공 지능 유도 레이저 미세 해부

소핵(MN) 분석은 DNA 손상을 정량화하기 위한 잘 확립된 검사입니다. 그러나 수동 현미경 또는 특징 기반 이미지 분석과 같은 기존 기술을 사용하여 분석에 점수를 매기는 것은 힘들고 어렵습니다. 이 논문은 이미징 유세포 분석 데이터를 사용하여 MN 분석의 점수를 매기는 인공 지능 모델을 개발하는 방법론을 설명합니다.

이미징 유세포 분석 및 인공 지능을 사용한 소핵 분석의 자동화

MIBI(Multiplexed Ion Beam Imaging)는 조직 마이크로어레이와 바둑판식으로 배열된 인접 조직 영역을 이미징하는 데 자주 사용되지만, 이러한 실험을 설정하기 위한 현재 소프트웨어는 번거롭습니다. 타일/SED/어레이 인터페이스는 MIBI 실행 설정을 획기적으로 단순화하고 가속화하기 위해 개발된 직관적인 대화형 그래픽 도구입니다.

Tile/SED/Array 인터페이스를 사용하여 Multiplexed Ion Beam Imaging Microscope에서 조직 마이크로어레이 및 Tiled Area Imaging의 신속한 설정 

콘 빔 컴퓨터 단층 촬영 스캔과 디지털 치과 이미지를 등록하는 프로세스는 인공 지능(AI)의 지원을 받는 랜드마크 식별 및 병합을 사용하여 제시되었습니다. 표면 기반 등록과의 비교는 AI 기반 디지털화 및 통합이 신뢰할 수 있고 재현 가능하다는 것을 보여줍니다.

인공 지능 기반 Cone Beam Computed Tomography와 Digital Dental Image의 신뢰성 통합

절제 후 간세포암의 내측 가장자리와 종양 주위 영역에 비만세포가 존재하면 유리한 예후를 얻을 수 있습니다. 이 연구는 QuPath 이미지 분석 소프트웨어를 디지털 병리학의 재현성, 일관성 및 정확성에 대한 요구를 충족할 수 있는 유망한 플랫폼으로 승인합니다.

간세포 암종의 미세환경에서의 비만 세포는 유리한 예후를 제공합니다: QuPath 이미지 분석 소프트웨어를 사용한 후향적 연구 

여기에서는 기존 조직병리학에 비해 장점이 있어 생검 샘플에 대해 자극 라만 조직학(SRH)을 사용하여 전립선암을 검출하기 위한 표준화된 프로토콜을 제시하며, 암 대 조직 비율을 개선하기 위해 샘플 준비, 이미징 및 인공 지능에 중점을 둡니다. 또한 전사체학, 오가노이드 또는 이종이식 모델, 수술 중 수술 마진 식별을 위한 바이오뱅킹을 지원합니다.

Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence

이 원고는 폴리 (메틸 메타 크릴레이트)에 비해 눈 보철물 제조를위한 저온 유리의 사용의 몇 가지 주요 장점을 포함하여 저온 유리 보철 눈을 사용자 정의의 각 단계를 보여줍니다. 또한,이 원고는 안과 의사에게 전문적 협력을 향상시킬 수있는 안과 치료에 대한 더 나은 통찰력을 제공합니다.

저온질 유리 보철 눈 사용자 지정

여기서, 우리는 통합 된 인공 호흡기 및 생리 모니터링 모듈을 갖춘 디지털, 저류 마취 시스템을 사용하여 마우스에게 마취 가스를 안전하고 효과적으로 투여하는 프로토콜을 제시합니다.

설치류를 위한 통합 저유량 마취 기화기, 인공호흡기 및 생리적 모니터링 시스템 사용

본 프로토콜은 래트 관상동맥의 혈관 반응성을 측정하기 위한 와이어 근그래프 기술을 기술한다.

표준화 된 쥐 관상 동맥 링 준비 및 용기 직경에 따른 동적 장력 변화의 실시간 기록

학습하세요 AI 통합 병리 정보 시스템을 활용한 디지털 영상 관리 및 진단 보고 방법을. 전립선암 검출에서 97% 정확도를 달성한 이 플랫폼은 병리 진단의 정확성과 효율성을 혁신적으로 향상시킵니다.

통합 병리학 영상 관리, 인공지능 및 보고 시스템 도입

더 많은 동영상 탐색