Introductie van een geïntegreerd pathologiebeeldbeheer, kunstmatige intelligentie en rapportagesysteem

Samenvatting

Geïntegreerd beeldbeheer, kunstmatige intelligentie (AI) en rapportagesystemen hebben een revolutie teweeggebracht in de praktijk van diagnostische pathologie. In dit artikel introduceren we FlexLIS, een state-of-the-art systeem dat AI in staat stelt pathologen te helpen bij het uitvoeren van histopathologische beeldbeoordelingen en het genereren van diagnostische rapporten.

Samenvatting

De ontwikkeling van elektronische meldingssystemen (LIS), beeldbeheersystemen (IMS) en AI-modellen heeft een revolutie teweeggebracht in de pathologiepraktijken. Door geavanceerde IMS en geavanceerde AI-algoritmen te integreren, stroomlijnen deze systemen het diagnostische proces verder, waardoor nauwkeurigere en efficiëntere diagnoses mogelijk zijn. FlexLIS is geavanceerde digitale pathologiesoftware die AI-modellen bevat voor beeldanalyse en het transcriberen van de door AI gegenereerde resultaten in uitgebreide pathologierapporten. Dit AI-geïntegreerde systeem kan ook kwaliteitscontrole (QC) ondersteunen, speciale vlekken bestellen voor uitdagende gevallen en consultaties vergemakkelijken. Als gevolg hiervan heeft het het potentieel om de diagnostische nauwkeurigheid en workflow van pathologen te verbeteren. In dit artikel bieden we een beknopt protocol voor pathologen over hoe ze de software kunnen gebruiken om dia-afbeeldingen te bekijken en pathologierapporten te genereren. We bespreken ook de toepassing ervan bij het diagnosticeren van prostaatkanker met behulp van prostaatnaaldkernbiopsie en screening op blaaskanker door middel van urinecytologie, waarbij we de veelzijdigheid en impact van het platform in de klinische praktijk laten zien.

Inleiding

Diagnostische pathologie is een belangrijk medisch specialisme dat de diagnose van ziekten stelt door onderzoek van weefsels verkregen van patiënten. Weefselmonsters worden verwerkt en dunne stukjes weefsel worden op glasplaatjes geplaatst, die vervolgens worden gekleurd met chemicaliën zoals hematoxyline en eosine (H & E). Traditioneel onderzoeken pathologen gekleurd weefsel op glasplaatjes onder microscopen en geven ze diagnostische rapporten uit via computersoftware, d.w.z. laboratoriuminformatiesystemen (LIS; Figuur 1A). In het afgelopen decennium is digitale pathologie geleidelijk geïntroduceerd in de pathologiepraktijk, waarbij glasplaatjes werden gedigitaliseerd door het glasplaatje te scannen om een volledig objectglaasje (WSI)¹ te produceren. Pathologen hoeven alleen dia's te bekijken met behulp van een beeldbeheersysteem (IMS) om diagnoses te stellen, wat een aanzienlijke invloed heeft op de workflow van de pathologiepraktijk (Figuur 1B). Meer recentelijk biedt kunstmatige intelligentie (AI) met deep machine learning van gedigitaliseerde histopathologiebeelden een potentiële mogelijkheid om de diagnostische nauwkeurigheid en efficiëntie van pathologen te verbeteren ^1,2.

Door de introductie en ontwikkeling van LIS, IMS en pathologie AI in verschillende tijdsperioden, worden deze systemen geleverd door verschillende leveranciers en functioneren ze onafhankelijk. Momenteel moeten pathologen met twee afzonderlijke systemen werken, namelijk LIS voor het rapporteren van diagnoses en IMS voor het beoordelen van beelden¹. Bovendien zijn de huidige AI-modellen ontworpen om beter te werken met IMS, maar niet met LIS³. De incompatibiliteit van LIS, IMS en AI heeft een aanzienlijke invloed op de ontwikkeling en implementatie van digitale pathologie en AI-modellen in de routinematige pathologiepraktijk. Het is ideaal en belangrijk om een geïntegreerd systeem te hebben dat LIS en IMS combineert, zodat AI beelden in IMS kan beoordelen en pathologierapporten in LIS kan genereren.

Daarom is het ons doel om een cloudgebaseerd, geïntegreerd LIS/IMS/AI-systeem te ontwikkelen waarmee pathologen altijd en overal toegang hebben tot de beelden en rapporten kunnen uitbrengen. Bovendien werken de AI-modellen naadloos samen tussen IMS en LIS, zodat de resultaten van de AI-beoordeling van beelden in IMS automatisch kunnen worden getranscribeerd naar de pathologierapporten in LIS. Pathologen hoeven alleen het beeld in IMS te bekijken en de diagnose in LIS te bevestigen zonder handmatige invoer. In dit artikel presenteren we het protocol voor pathologen om FlexLIS te gebruiken en demonstreren we de real-world toepassingen van de AI-ondersteunde beeldanalyse en rapportage bij de diagnose van prostaatkanker en urinecytologie voor screening op blaaskanker.

Protocol

FlexLIS is ontworpen met strikte naleving van normen voor gegevensprivacy en regelgevende kaders, waaronder de Health Insurance Portability and Accountability Act (HIPAA). Alle patiëntgegevens die binnen het systeem worden verwerkt, worden zowel in rust als tijdens het transport versleuteld met behulp van industriestandaard protocollen.

1. Account instellen

1. Open de webbrowser. Typ Doorgaan (Figuur 2). Er wordt een e-mail verzonden naar de gebruiker.
2. Ga naar e-mail en klik op de Link om in te loggen, waardoor het venster Toetredingslijst wordt geopend (Figuur 3).

2. Digitalisering van glasplaatjes

1. Schakel de digitale scanner in en plaats eerder glas-in-lood dia's (d.w.z. hematoxyline en eosine) in de scanner.
2. Druk op Start om het scannen van objectglaasjes te starten. De beelden worden automatisch geüpload naar het systeem via een directe interface en gerangschikt in een casusformaat zoals pathologen gewoonlijk in de diabak zien.

3. Gegevensanalyse

1. Zie de lijst met gevallen in het venster Toetredingslijst (Figuur 3 en Figuur 4) en de bijbehorende afbeeldingen in het venster Afbeeldingsbeoordeling (Figuur 5 en Figuur 6).
   OPMERKING: De software gebruikt de volgende benchmarks om de bruikbaarheid van de gebruiker te meten: slagingspercentage van de taak, tijd op de taak, foutenpercentage, aantal acties per taak, systeembruikbaarheidsschaal (SUS) en gebruikerstevredenheid via gebruikersstudies en interviews. Wij gebruiken Datadog voor real-time user monitoring (RUM) en om te monitoren op applicatiefouten.
2. In het venster Toetredingslijst ziet de gebruiker de lijst met toegewezen zaken (Figuur 3C). Klik op de pijl-omlaag voor de behuizing (PN24-00004) om de door het personeel en AI bestelde vlekken te zien (PIN4 in dit geval). Een groene stip op het microscooppictogram geeft de voltooiing van de AI-analyse aan (Afbeelding 2C). Een rode stip voor het toetredingsnummer geeft aan dat kanker in de afbeelding is gedetecteerd door AI (Figuur 2C). Beoordeeld/Gereed/Totaal geeft het totale aantal afbeeldingen in elke categorie aan. De! markering achter het afbeeldingsnummer geeft de AI-beoordeling van de beeldkwaliteit aan (d.w.z. ontbrekende afbeeldingen of wazig).
3. Klik op het gebruikerspictogram voor case PN24-00004 , waardoor de gebruiker naar het venster Pathologist Review gaat (Afbeelding 4). Alle specimens zijn alfabetisch gerangschikt (Figuur 4B) in de Specimen Summary Table. De gebruiker ziet de AI-analyseresultaten voor elk monster, inclusief diagnose (goedaardig, HGPIN, zo snel mogelijk, kanker) en beschrijving (Gleason-scores, tumorlengte en graadgroep; Figuur 4B). Gebruikers zien de AI-resultaten ook in een diagram (rood-kanker, oranje-ASAP en zwart-goedaardig; Figuur 4B).
4. Klik op het microscooppictogram aan de linkerkant op B (Afbeelding 4B), waardoor het venster Afbeeldingsbeoordeling wordt geopend (Afbeelding 5). De gebruiker ziet de bijbehorende afbeelding in een apart Image Review-venster (Afbeelding 5). De gebruiker ziet ook AI-annotaties, rode markeringen geven kanker aan en groene markeringen geven Gleason 4 aan (Figuur 5).
5. Klik op C (Figuur 5A) om afbeelding C te bekijken, klik op D om afbeelding D te bekijken, enz. Klik op het pictogram AI-feedback in afbeelding 5C om de details van AI-uitvoer te bekijken (afbeelding 6).

Resultaten

In dit deel worden twee use cases gepresenteerd om te laten zien hoe de AI pathologen kan helpen bij het beoordelen van beelden en het verstrekken van diagnostische input.

Diagnose van prostaatkanker (Figuur 7): Histopathologische beoordeling van prostaatbiopsie met kanker, inclusief tumorlengte en -percentage, Gleason-scores (3, 4 en 5), percentage Gleason 4 en 5, enz. Deze informatie wordt vervolgens gebruikt om patiënten in te delen in 4 graadgroepen (1 tot 4), waarbij 4 de meest agressieve prostaatkanker is ^4,5. Deze informatie moet worden opgenomen in het pathologierapport; daarom is het een perfect voorbeeld om AI-ondersteunde pathologiediagnose te illustreren.

In dit voorbeeld werden de glasplaatjes met prostaatbiopsie aanvankelijk gekleurd met de hematoxyline-eosine (H&E) procedure. De bevlekte dia werd vervolgens gedigitaliseerd om een hele dia-afbeelding (WSI) te genereren, die naar het systeem werd geüpload via een directe interface tussen de scannercomputer en de software (Afbeelding 7). Eenmaal geüpload, verwerkt een AI-aangedreven model het label, identificeert en tagt het elke entiteit, inclusief de bron van het monster (d.w.z. prostaat) en het type kleuring (d.w.z. H&E). Dit model bepaalt of het beeld een H&E-gekleurde prostaatbiopsie is. Als dat het geval is, analyseert een ander op AI gebaseerd model de afbeelding en genereert feedback of output op basis van de analyse (Figuur 7A). Dit op AI gebaseerde model is ook in staat om PIN4-immunohistochemische kleuringen vooraf te bestellen om pathologen te helpen bij het bevestigen van de aanwezigheid van kleine tumorgebieden (Figuur 3).

Dit model werd getraind op meer dan 1700 prostaat hele dia-beelden (WSI) die pixelgewijs werden geannoteerd door een team van ervaren pathologen. Na de annotatie van WSI's wordt een deep learning-model toegepast om prostaatweefseltegels in vier categorieën te classificeren: Benign, Gleason3, Gleason4 en Gleason5. Zoals geïllustreerd in afbeelding 5, worden op tegels gebaseerde uitvoer samengevoegd om een masker met hele dia's te maken die kankergebieden markeren: Kanker (rood), Gleason4 (groen) en Gleason5 (blauw; Figuur 6). Naast deze maskers genereerde het AI-model een definitief label (Kanker of Goedaardig) voor de prostaat WSI. Deze classificatie is gebaseerd op morfologische kenmerken zoals de gebieden van Gleason3, Gleason4 en Gleason5, de zekerheid van Gleason3-, Gleason4- en Gleason5-maskers en andere factoren. De prestaties van ons huidige prostaatmodel voor de detectie van prostaatkanker werden bevestigd door gebruik te maken van een onafhankelijke set van 1.000 WSI's die niet werden gebruikt tijdens de ontwikkeling of validatie van het model. Elke dia in de validatieset is gelabeld als goedaardig of kanker. Het getrainde model wijst ook een label toe aan elke dia zoals beschreven. Door de ground truth-labels te vergelijken met de voorspellingen van het model, werden prestatiestatistieken zoals nauwkeurigheid, gevoeligheid, specificiteit en F1-score berekend, zoals weergegeven in tabel 1. De resultaten geven aan dat het getrainde model vergelijkbaar presteert met andere prostaat AI-modellen⁶.

Naast Gleason-scores kan het AI-model de lengte en het percentage van de tumor en de graadgroep bepalen (Figuur 7). Bovendien is het AI-model ook in staat om NCCN-risicogroepgebaseerde pathologie en klinische informatie te berekenen, indien verstrekt (Figuur 7A). In FlexLIS is AI in staat om alle diagnostische informatie te transcriberen in het pathologierapport, zodat pathologen deze niet handmatig in het rapport hoeven in te voeren (Figuur 7B). Hoewel het hele AI-proces op de achtergrond wordt voltooid en niet zichtbaar is voor pathologen, zijn de AI-analyseresultaten en hetzelfde beeld zichtbaar voor pathologen die kunnen besluiten om de AI-resultaten in het pathologierapport te behouden of te wijzigen (Figuur 7B).

Urinecytologie voor screening op blaaskanker: Urinecytologie is de primaire niet-invasieve methode voor screening, diagnose en monitoring van blaaskanker⁷. Urinecytologie classificeert patiënten in vier categorieën: negatief voor hooggradig urotheelcarcinoom, atypische urotheelcarcinoom, verdacht voor hooggradig urotheelcarcinoom en hooggradig urotheelcarcinoom⁸. Beoordeling van urinecytologie vereist ervaring en vaardigheid en is zeer tijdrovend. Daarom is er veel vraag naar AI-geassisteerde urinecytologiescreening. Deze casus presenteert een single-cell assessment door AI.

Het onderzoeken van urinecytologieglaasjes kan voor pathologen een arbeidsintensief en tijdrovend proces zijn. Het vereist het minutieus scannen van brede velden en regelmatig in- en uitzoomen om zeldzame, diagnostisch significante cellen te lokaliseren, vaak lijkend op een zoektocht naar een speld in een hooiberg. Deze handmatige aanpak vereist niet alleen veel tijd en focus, maar draagt ook bij aan diagnostische vermoeidheid en mogelijke variabiliteit in interpretaties. Om dit proces te stroomlijnen, is het op AI gebaseerde urinecytologiemodel dat in FlexLIS is geïntegreerd, ontwikkeld om pathologen te ondersteunen bij het automatisch detecteren en classificeren van een breed scala aan celtypen in urinemonsters. Het model is in staat om de volgende categorieën te identificeren: HGUC (hooggradige urotheelcarcinoomcellen), verdacht (urotheelcellen met duidelijke afwijkingen die wijzen op maligniteit maar niet definitief diagnostisch zijn), atypische urotheelcellen, RBC's (rode bloedcellen), kristallen, lymfocyten, polymorfe cellen, polyoomvirus, niertubulaire cellen, sperma, plaveiselcellen, normale urotheelcellen, gist en andere. Om de bruikbaarheid verder te verbeteren, worden de diagnostisch significante categorieën - HGUC, atypische urotheelcellen en verdachte cellen - gemarkeerd met behulp van verschillende kleuren (Figuur 8), waardoor pathologen zich snel kunnen concentreren op interessegebieden zonder dat er uitgebreid handmatig scannen nodig is.

Bovendien kwantificeert het AI-model het aantal cellen in elke gedetecteerde categorie en integreert deze gegevens naadloos in de output (Figuur 8). Deze bevindingen worden automatisch getranscribeerd in het pathologierapport, waardoor de patholoog zich uitsluitend kan concentreren op het beoordelen, verifiëren en afronden van de casus. Dit verbetert de diagnostische efficiëntie aanzienlijk, vermindert de handmatige werklast en bevordert de consistentie en nauwkeurigheid van alle rapporten.

Om het AI-model te trainen, werden willekeurig 500 regio's geselecteerd uit 150 hele dia's van urinecytologiemonsters. Deskundige cytopathologen hebben cellen in deze regio's handmatig geannoteerd in 14 vooraf gedefinieerde categorieën, zoals eerder beschreven, wat resulteerde in meer dan 30.000 geannoteerde cellen. Regio's van 80% van de dia's werden gebruikt voor training, terwijl de resterende 20% werd gereserveerd voor validatie. Vervolgens werd een objectdetectiemodel getraind en geëvalueerd om cellen in de gedefinieerde categorieën nauwkeurig te identificeren en te classificeren.

Naast prostaat- en urinecytologiemodellen is ook het gastro-enterologie AI-model beschikbaar in de software. Andere modellen, waaronder blaaskanker en longkanker, zijn in ontwikkeling.

Figuur 1: Pathologie workflow. (A) Traditionele pathologieworkflow. (B) Workflow voor digitale pathologie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Inlogvenster. Voer het e-mailadres in het e-mailvak in. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Venster Toetredingslijst. (A) De linkerzijbalk geeft verschillende gebruikersopties aan. (B) Toetredingsfilter om de cases te zoeken en te sorteren. (C) Toetredingslijst met de informatie van elk geval, inclusief toetredingsnummer, naam van de patiënt, status van het geval, aantal en kwaliteit van de afbeeldingen, enz. In dit geval werden 4 cases toegewezen aan de gebruiker. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Beoordelingsvenster voor pathologen. (A) Casusinformatie, inclusief de status van de casus. (B) De tabel met het overzicht van het monster geeft een samenvatting van elk monster, inclusief locatie, diagnose en opmerkingen. (C) Specimeninformatie geeft aanvullende informatie over het specimen. (D) Case-configuratiescherm voor het navigeren door de case. Het rechterdiagram geeft prostaatbiopsieplaatsen en AI-resultaten aan (rood-kanker, oranje-ASAP en zwart-goedaardig). Klik hier om een grotere versie van deze figuur te bekijken.

Afbeelding 5: Venster Afbeeldingsbeoordeling. (A) Beeldbibliotheek (linkerzijbalk) geeft een alfabetisch overzicht van alle specimens met informatie over het type vlek en de status. (B) Werkbalk (bovenaan) om de afbeeldingen te verplaatsen, te annoteren en te delen. (C) Case-informatie/AI (rechterzijbalk) voor het maken van opmerkingen, communicatie met personeel en het bekijken van AI-feedback/-outputs. Dit geval is een prostaatbiopsie met prostaatkanker gemaskeerd door AI (rood-kanker en groen-Gleason 4). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: AI-output. (A) Histologiebeeld. (B) AI-feedback, d.w.z. AI-beoordeling van het beeld, inclusief tumorlengte, Gleason-score, cijfergroep, enz. Klik hier om een grotere versie van dit cijfer te bekijken.

Afbeelding 7: Prostaat AI-model beoordeelt automatisch het beeld van prostaatbiopsie en helpt bij het genereren van pathologierapporten. (A) Na analyse van beelden in IMS. (B) AI voert de resultaten uit naar het pathologierapport. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8: AI-beoordeling van urinecytologiedia. Abnormale urotheelcellen werden gemarkeerd in rood (hoogwaardige urotheelkankercellen) en roze (verdachte cellen). AI-resultaten worden weergegeven in de insteekplaat (rechtsbovenhoek). Klik hier om een grotere versie van deze figuur te bekijken.

Nauwkeurigheid	Precisie	Gevoeligheid	Specificiteit	F1-score
97%	96%	98%	96%	97%

Tabel 1: Prestaties van het prostaat AI-model voor detectie van adenocarcinoom in prostaatbiopten.

Discussie

De succesvolle en nauwkeurige toepassing van FlexLIS is afhankelijk van verschillende kritieke stappen binnen het proces, die kunnen worden gedefinieerd als pre-analytische, analytische en post-analytische factoren¹. De belangrijkste pre-analytische factor is de beeldkwaliteit, die wordt beïnvloed door digitale scanners, dia-etiketten en kleuringen. Slechte kwaliteit van de afbeeldingen heeft een aanzienlijke invloed op de beeldbeoordeling en AI-prestaties. De analytische factoren zijn onder meer internetsnelheid, kwaliteit van de beeldweergave (pixel en resolutie), stabiliteit van de software en correcte bediening door gebruikers. De post-analytische factoren omvatten opslag en bewaring van afbeeldingen, back-up van afbeeldingen, veerkracht, gegevensbeveiliging en HIPAA-naleving¹. Aangezien de software is ontworpen door pathologen voor pathologen, kunnen veel potentiële analytische fouten die in de dagelijkse praktijk worden aangetroffen, waaronder mishandeling, door de software worden gedetecteerd en gemarkeerd om ervoor te zorgen dat deze fouten worden gecorrigeerd voordat naar de volgende stap wordt gegaan. Als een beeld bijvoorbeeld niet wordt beoordeeld en de diagnose niet wordt ingevoerd (Figuur 4), kan de casus niet worden afgerond.

Hoewel de software de workflow aanzienlijk stroomlijnt, kunnen af en toe aanpassingen of probleemoplossing nodig zijn. Er kunnen bijvoorbeeld discrepanties ontstaan tussen de beoordelingen van de AI en de interpretaties van de patholoog. Deze verschillen kunnen het gevolg zijn van factoren zoals beeldkwaliteit, variaties in kleuringstechnieken voor objectglaasjes of de aanwezigheid van zeldzame tumortypen en histopathologische patronen die ondervertegenwoordigd waren in de initiële trainingsdatasets. Om deze uitdagingen aan te gaan, wordt een human-in-the-loop-benadering gebruikt, waarbij pathologen feedback geven op het AI-model. Deze feedback wordt gebruikt om het model periodiek bij te werken met nieuwe en meer diverse trainingsgegevens, waardoor de nauwkeurigheid en generaliseerbaarheid in de loop van de tijd worden verbeterd. Dit zorgt ervoor dat het systeem blijft evolueren en verbeteren op basis van klinische ervaring in de praktijk.

Hoewel elk LIS⁹-, IMS- en AI^10-systeem al eerder is gerapporteerd, onderscheidt FlexLIS zich als een geïntegreerd systeem dat, voor zover wij weten, nog niet eerder is gerapporteerd. Wat nog belangrijker is, is dat dit geïntegreerde systeem, inclusief de AI-modellen, dagelijks is gebruikt in verschillende pathologiepraktijken en het nut en de betrouwbaarheid ervan heeft bewezen. Een dergelijk systeem is ontworpen om te worden gebruikt in routinematige pathologielaboratoria en ondersteunt daarom het hanteren en rapporteren van een verscheidenheid aan pathologiemonsters, waaronder prostaat-, blaas-, borst-, long-, GI-, GYN-, enz. Dit systeem bevat verschillende op AI gebaseerde kwaliteitscontrolefuncties, waaronder het detecteren en markeren van artefacten in de afbeeldingen (wazig en ontbrekend weefsel), die van invloed kunnen zijn op de diagnostische nauwkeurigheid. Ten slotte is dit systeem zeer flexibel en kan het worden aangepast aan de specifieke behoeften van elk individueel laboratorium.

De toekomstige toepassingen van dit geïntegreerde LIS/IMS/AI-systeem zijn zeer breed, inclusief klinische diensten, biomedisch onderzoek en onderwijs voor medische studenten/bewoners. Het biedt een aparte onderzoeksmodule die ervoor zorgt dat wordt voldaan aan hoge normen in onderzoek, inclusief die vereist door de Institutional Review Board, zoals 1) de-identificeer de afbeeldingen door het originele dialabel met patiënt-ID leeg te maken en een nieuwe onderzoeks-ID toe te wijzen; 2) sorteer en rangschik dia's en casussen zoals vereist door de onderzoeksopzet; 3) registreer en volg de diagnose en opmerkingen van de deelnemers voor gegevensanalyse en samenvatting, enz.

Het nut ervan in het onderwijs blijkt uit ons lopende trainingsproject^{voor bewoners 11}, dat aangeeft dat AI-assistentie de nauwkeurigheid van bewoners kan vergroten bij het identificeren van belangrijke histopathologische kenmerken. Verschillende functies binnen de hier beschreven software, waaronder het gebruiksvriendelijke IMS en een groot aantal afbeeldingen in het systeem, controleerbare toegang tot AI-maskers en annotaties, geïntegreerde pathologiespecifieke ChatGPT-functies en veilige en gemakkelijke mogelijkheid om cases te delen, maken het een nuttig platform voor zowel zelfgestuurd leren als door een mentor geleide training.

Momenteel wordt de software geconfronteerd met verschillende beperkingen en uitdagingen, net als elk ander op AI gebaseerd beeldbeheerplatform¹. Bij de implementatie moet rekening worden gehouden met uitdagingen op het gebied van integratie, waaronder de interface met bestaande EPD, het opslaan en ophalen van grote afbeeldingen, enz. De generaliseerbaarheid van AI-modellen in verschillende instellingen, scanners, kleuringsprotocollen en patiëntenpopulaties, evenals de gevoeligheid voor beeldartefacten, variabiliteit in weefselpreparatie en zeldzame histologiepatronen, zijn enkele beperkingen die verband houden met pathologie-AI-modellen. Ten slotte is interoperabiliteit een andere uitdaging van pathologie-AI-systemen vanwege de fragmentatie van gegevensformaten, diagnostische terminologie en platformspecifieke tools.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
FlexLIS	Novino AI