Wprowadzenie zintegrowanego systemu zarządzania obrazami patomorfologicznymi, sztucznej inteligencji i raportowania
11 lipca 2025
Zintegrowane zarządzanie obrazami, sztuczna inteligencja (AI) i systemy raportowania zrewolucjonizowały praktykę patologii diagnostycznej. W tym artykule przedstawiamy FlexLIS, najnowocześniejszy system, który umożliwia sztucznej inteligencji wspomaganie patologów w przeprowadzaniu ocen obrazu histopatologicznego i generowaniu raportów diagnostycznych.
Nasze badania koncentrują się na opracowaniu nowatorskiej platformy, która obejmuje integrację systemu informacji patologicznej, systemu zarządzania obrazem i sztucznej inteligencji z zaawansowaną nowoczesną patologią. Pytanie, na które próbuje odpowiedzieć NovinoAI, brzmi: czy taka platforma może zostać opracowana, wykorzystana w praktyce patomorfologicznej, badaniach i edukacji. Technologie obejmują inżynierię komputerową, skanowanie cyfrowe, patologię obliczeniową i trenowanie modeli AI. Jednym z najważniejszych wyzwań jest dostępność platformy, która pozwala na integrację sztucznej inteligencji i bezproblemowe wykonywanie zadań. Pokazujemy, że zintegrowana platforma może być rozwijana i wykorzystywana w praktyce patomorfologicznej, badaniach i edukacji z pożądaną dokładnością. Kontynuujemy opracowywanie kolejnych modeli sztucznej inteligencji, w tym modeli podstawowych dla przyszłych badań.
[Narrator] Aby rozpocząć, otwórz przeglądarkę internetową i przejdź do witryny internetowej produktu FlexLIS. Wprowadź adres e-mail wstępnie zarejestrowanego użytkownika i kliknij przycisk Kontynuuj, aby kontynuować. Na zarejestrowany adres zostanie wysłana wiadomość e-mail. Przejdź do skrzynki odbiorczej poczty e-mail i kliknij podany link logowania, aby uzyskać dostęp do okna listy dostępu. Teraz włącz zasilanie skanera cyfrowego i załaduj wcześniej witrażowy szkiełko do skanera. Naciśnij przycisk start, aby rozpocząć skanowanie szkiełka. Zeskanowane obrazy zostaną automatycznie przesłane do systemu za pośrednictwem bezpośredniego interfejsu i będą wyświetlane w formacie pudełka, podobnie jak taca na slajdy patologa. W oknie listy dostępu wyświetl listę przypisanych obserwacji i odpowiadających im obrazów slajdów w oknie przeglądu obrazów. W oknie listy dostępu kliknij strzałkę w dół obok obudowy oznaczonej PN 2404, aby odsłonić plamy uporządkowane przez personel i sztuczną inteligencję, takie jak pin czwarty. Zielona kropka na ikonie mikroskopu oznacza, że analiza AI została zakończona. Żółta kropka oznacza ASAP wykryte przez sztuczną inteligencję na tym slajdzie. Przejrzane gotowe wartości sumaryczne pokazują liczbę kategorii obrazów. Wykrzyknik po numerze obrazu sygnalizuje problemy z jakością, takie jak brakujące lub rozmyte obrazy. Następnie kliknij ikonę użytkownika obok przypadku PN 2404, aby otworzyć okno przeglądu patologa i obserwować tabelę podsumowującą próbki, wymieniającą wszystkie próbki alfabetycznie. Przeglądaj wyniki wygenerowane przez sztuczną inteligencję dla każdej próbki, w tym diagnozę, taką jak łagodny szpilka HG, JAK NAJSZYBCIEJ lub rak, wraz z opisami, takimi jak wyniki Gleasona, długość guza i grupa stopniowania. Następnie sprawdź kategorie diagnostyczne oznaczone kolorami, pokazujące raka na czerwono, ASAP na pomarańczowo, przypinkę HG na zielono i łagodny na czarno. Teraz kliknij ikonę mikroskopu, aby otworzyć okno podglądu obrazu i view odpowiedni obraz slajdu. Przyjrzyj się adnotacjom AI z czerwonymi podświetleniami oznaczającymi raka i zielonymi podświetleniami pokazującymi czwórkę Gleasona. Kliknij C, aby wyświetlić obraz C, a następnie kliknij D, aby wyświetlić obraz D i tak dalej. Na koniec kliknij ikonę opinii AI, aby wyświetlić szczegółowe dane wyjściowe analizy AI. Model AI do wykrywania raka prostaty osiągnął dokładność 97% z precyzją 96%, czułością 98%, swoistością 96% i wynikiem F1 97%. System histopatologiczny wspomagany sztuczną inteligencją dokładnie oznaczył trzy regiony Gleasona, cztery i pięć regionów Gleasona na szkiełkach biopsji prostaty, używając kolorowej nakładki maski. System sztucznej inteligencji automatycznie wyodrębnił kluczowe wskaźniki patologiczne, w tym długość guza, procent, wyniki Gleasona i grupę zaawansowania z biopsji prostaty. Model cytologii moczu oparty na sztucznej inteligencji automatycznie zidentyfikował komórki istotne diagnostycznie, w tym raka urotelialnego o wysokim stopniu złośliwości, komórki atypowe i podejrzane komórki, z których każda jest oznaczona kolorowymi polami.
Przegląd
Ten artykuł przedstawia FlexLIS, zaawansowaną platformę integrującą sztuczną inteligencję (AI) z systemami informacji patologicznych i zarządzaniem obrazami. System ma na celu poprawę oceniania obrazów histopatologicznych i usprawnienie raportowania diagnostycznego.
Kluczowe elementy badania
Obszar nauki
- Patologia
- Sztuczna Inteligencja
- Diagnostyka Obrazowa
Tło
- Współczesne praktyki w dziedzinie patologii wymagają wydajnego zarządzania obrazami i systemów diagnostycznych.
- AI ma potencjał do wspomagania patolologów w poprawianiu dokładności diagnostycznej.
- Istnieją wyzwania w zintegrowaniu AI w istniejące przepływy pracy.
- Postępy technologiczne w skanowaniach cyfrowych i patologii obliczeniowej są niezwykle ważne.
Cel badania
- Opracowanie platformy, która integruje AI w praktyce patologicznej.
- Ocenienie efektywności AI w poprawianiu procesów diagnostycznych.
- Fascilitacjonowanie badań i edukacji w dziedzinie patologii za pomocą zaawansowanych technologii.
Stosowane metody
- Opracowanie zintegrowanego systemu informacji patologicznych.
- Wykorzystanie skanowania cyfrowego do pozyskiwania obrazów.
- Implementacja modeli AI do analizy diagnostycznej.
- Ocenienie wskaźników wydajności AI, takich jak dokładność i precyzja.
Główne wyniki
- System wspomagany AI osiągnął 97% dokładność w wykrywaniu raka prostaty.
- Adnotacje AI skutecznie podkreśliły krytyczne regiony na śliskach bioptatów.
- Kluczowe metryki patologiczne zostały automatycznie wyekstrahowanie przez system AI.
- Integracja AI poprawiła wydajność przeglądu obrazów i diagnozowania.
Wnioski
- FlexLIS pokazuje wykonalność integracji AI w patologii.
- Platforma poprawia dokładność diagnostyczną i wydajność przepływu pracy.
- Ciągły rozwój modeli AI jest niezbędny dla przyszłych postępów.
Często zadawane pytania
Executive Industry Relevance
Integrating AI-driven image analysis with pathology information and image management systems addresses a critical bottleneck in digital pathology workflows. This capability enhances diagnostic precision, standardizes reporting, and supports scalable, reproducible pathology assessments across discovery and translational research. The platform's ability to automate quantitative pathology metrics and streamline review processes positions it as a reusable enterprise asset for biopharma R&D portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables objective, quantitative assessment of tissue pathology for hypothesis testing.
- Supports functional target validation by automating detection of disease-relevant histological features.
- Facilitates mechanistic de-risking through reproducible annotation of pathological regions.
Screening & Assay Development
- Prepares validated digital pathology datasets for downstream screening workflows.
- Standardizes image review and reporting, improving assay reproducibility and scalability.
- Enables high-throughput, AI-assisted evaluation of compound effects on tissue morphology.
Translational & Preclinical Research
- Aligns digital pathology outputs with translational biomarker strategies in oncology and cytology.
- Ensures continuity of quantitative pathology metrics from discovery through preclinical validation.
- Reduces risk in advancing candidates by providing robust, automated histopathological endpoints.
Pipeline & Workflow Integration
This integrated system bridges digital pathology from early discovery through translational and preclinical research, supporting lead identification and biomarker-driven decision making.
- Discovery Biology: Automates hypothesis testing and pathway clarification via AI-based tissue annotation.
- Screening: Delivers reproducible, quantitative pathology readouts for compound evaluation.
- Analytics: Provides standardized metrics such as tumor length, grade, and cell classification for cross-condition comparison.
- Translational Research: Supports biomarker alignment and continuity of pathology endpoints across research stages.
- Enterprise Reuse: Functions as a scalable, adaptable platform for diverse pathology-driven R&D programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces ambiguity in tissue-based target validation.
- Operational Value: Enhances standardization, reproducibility, and throughput in pathology workflows.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by automating key diagnostic outputs.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of candidates based on robust pathology data.
Implementation Considerations
- Requires expertise in digital pathology, AI model interpretation, and image management systems.
- Depends on digital slide scanners, computational infrastructure, and secure data integration.
- Demands cross-team standardization of reporting formats and QC procedures.
- Adaptable to multiple tissue types and disease models with appropriate AI model training.
- Practical limitations include image quality control and ongoing model validation requirements.
