Name: Introdução de um sistema integrado de gerenciamento de imagens de patologia, inteligência artificial e relatórios (Vídeo) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: Aprenda a integrar inteligência artificial em sistemas de informação patológica para diagnóstico assistido por computador. Esta plataforma alcançou 97% de precisão na detecção de câncer de próstata.

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 IA</td><td></td><td></td></tr></tbody></table>

introdução de um sistema integrado de gerenciamento de imagens de patologia, inteligência artificial e relatórios

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

Nesta seção, dois casos de uso são apresentados para demonstrar como a IA pode ajudar os patologistas a avaliar imagens e fornecer informações de diagnóstico.
Diagnóstico de câncer de próstata (Figura 7): Avaliação histopatológica da biópsia de próstata com câncer, incluindo comprimento e porcentagem do tumor, escores de Gleason (3, 4 e 5), porcentagem de Gleason 4 e 5, etc. Essas informações são então usadas para classificar os pacientes em grupos de 4 graus (1 a 4), sendo 4 o câncer de próstata mais agressivo 4,5. Esta informação deve ser incluída no relatório de patologia; portanto, é um exemplo perfeito para ilustrar o diagnóstico de patologia assistido por IA.
Neste exemplo, as lâminas de vidro com biópsia de próstata foram inicialmente coradas com o procedimento de hematoxilina-eosina (H&amp;E). A lâmina corada foi então digitalizada para gerar uma imagem de lâmina inteira (WSI), que foi carregada no sistema por meio de uma interface direta entre o computador do scanner e o software (Figura 7). Uma vez carregado, um modelo alimentado por IA processa o rótulo, identifica e marca todas as entidades, incluindo a fonte da amostra (ou seja, próstata) e o tipo de coloração (ou seja, H &amp; E). Este modelo determina se a imagem é uma biópsia de próstata corada com H &amp; E. Se for, outro modelo baseado em IA analisa a imagem e gera feedback ou saídas com base na análise (Figura 7A). Este modelo baseado em IA também é capaz de pré-encomendar colorações imuno-histoquímicas PIN4 para ajudar os patologistas a confirmar a presença de pequenas áreas tumorais (Figura 3).
Este modelo foi treinado em mais de 1700 imagens de lâminas inteiras da próstata (WSI) que foram anotadas em pixels por uma equipe de patologistas experientes. Após a anotação dos WSIs, um modelo de aprendizado profundo é aplicado para classificar os ladrilhos de tecido prostático em quatro categorias: Benigno, Gleason3, Gleason4 e Gleason5. Conforme ilustrado na Figura 5, as saídas baseadas em blocos são agregadas para criar uma máscara de lâmina inteira destacando regiões cancerígenas: Câncer (vermelho), Gleason4 (verde) e Gleason5 (azul; Figura 6). Além dessas máscaras, o modelo de IA gerou um rótulo final (Câncer ou Benigno) para o WSI da próstata. Essa classificação é baseada em características morfológicas, como as áreas de Gleason3, Gleason4 e Gleason5, a certeza das máscaras de Gleason3, Gleason4 e Gleason5 e outros fatores. O desempenho do nosso modelo de próstata atual para a detecção de câncer de próstata foi confirmado usando um conjunto independente de 1.000 WSIs que não foram usados durante o desenvolvimento ou validação do modelo. Cada slide no conjunto de validação é rotulado como Benigno ou Câncer. O modelo treinado também atribui um rótulo a cada slide, conforme descrito. Ao comparar os rótulos de verdade com as previsões do modelo, foram calculadas métricas de desempenho como precisão, sensibilidade, especificidade e pontuação F1, conforme apresentado na Tabela 1. Os resultados indicam que o modelo treinado tem desempenho comparável a outros modelos de IA da próstata6.
Além dos escores de Gleason, o modelo de IA é capaz de determinar o comprimento e a porcentagem do tumor e o grupo de notas (Figura 7). Além disso, o modelo de IA também é capaz de calcular a patologia baseada no grupo de risco NCCN e as informações clínicas, se fornecidas (Figura 7A). No FlexLIS, a IA é capaz de transcrever todas as informações de diagnóstico para o relatório de patologia, para que os patologistas não precisem inseri-las manualmente no relatório (Figura 7B). Embora todo o processo de IA seja concluído em segundo plano e não seja visível para os patologistas, os resultados da análise de IA e a mesma imagem são visíveis para os patologistas que podem decidir manter ou alterar os resultados da IA no relatório de patologia (Figura 7B).
Citologia de urina para rastreamento de câncer de bexiga: A citologia de urina é o principal método não invasivo para rastreamento, diagnóstico e monitoramento do câncer de bexiga7. A citologia urinária classifica os pacientes em quatro categorias: negativo para carcinoma urotelial de alto grau, células uroteliais atípicas, suspeito de carcinoma urotelial de alto grau e carcinoma urotelial de alto grau8. A revisão da citologia da urina requer experiência e habilidade e consome muito tempo. Portanto, a triagem citológica de urina assistida por IA é altamente exigida. Este caso apresenta uma avaliação de célula única por IA.
O exame de lâminas de citologia de urina pode ser um processo trabalhoso e demorado para os patologistas. Requer uma varredura meticulosa de campos amplos e frequentemente aumentar e diminuir o zoom para localizar células raras e diagnosticalmente significativas, muitas vezes semelhantes a uma busca por uma agulha no palheiro. Essa abordagem manual não apenas exige tempo e foco consideráveis, mas também contribui para a fadiga diagnóstica e a potencial variabilidade nas interpretações. Para agilizar esse processo, o modelo de citologia de urina baseado em IA integrado ao FlexLIS foi desenvolvido para apoiar os patologistas, detectando e classificando automaticamente uma ampla gama de tipos de células em amostras de urina. O modelo é capaz de identificar as seguintes categorias: HGUC (células de carcinoma urotelial de alto grau), suspeitas (células uroteliais com anormalidades acentuadas sugestivas de malignidade, mas não definitivamente diagnósticas), células uroteliais atípicas, hemácias (glóbulos vermelhos), cristais, linfócitos, células polimorfas, vírus do polioma, células tubulares renais, espermatozoides, células escamosas, células uroteliais normais, leveduras e outros. Para melhorar ainda mais a usabilidade, as categorias diagnósticas significativas - HGUC, células uroteliais atípicas e suspeitas - são destacadas usando cores distintas (Figura 8), permitindo que os patologistas se concentrem rapidamente em áreas de interesse sem a necessidade de varredura manual exaustiva.
Além disso, o modelo de IA quantifica o número de células em cada categoria detectada e integra perfeitamente esses dados na saída (Figura 8). Esses achados são transcritos automaticamente para o relatório de patologia, permitindo que o patologista se concentre apenas na revisão, verificação e finalização do caso. Isso aumenta muito a eficiência do diagnóstico, reduz a carga de trabalho manual e promove consistência e precisão entre os relatórios.
Para treinar o modelo de IA, 500 regiões foram selecionadas aleatoriamente a partir de 150 imagens de lâminas inteiras de amostras de citologia de urina. Citopatologistas especialistas anotaram manualmente as células dentro dessas regiões em 14 categorias predefinidas, conforme descrito anteriormente, resultando em mais de 30.000 células anotadas. Regiões de 80% das lâminas foram utilizadas para treinamento, enquanto os 20% restantes foram reservados para validação. Um modelo de detecção de objetos foi então treinado e avaliado para identificar e classificar com precisão as células nas categorias definidas.
Além dos modelos de citologia de próstata e urina, o modelo de IA de gastroenterologia também está disponível no software. Outros modelos, incluindo câncer de bexiga e câncer de pulmão, estão em processo de desenvolvimento.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> 
Figura 1: Fluxo de trabalho de patologia. (A) Fluxo de trabalho de patologia tradicional. (B) Fluxo de trabalho de patologia digital. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> 
Figura 2: Janela de login. Digite o e-mail na caixa de e-mail. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> 
Figura 3: Janela Lista de Acesso. (A) A barra lateral esquerda indica diferentes opções do usuário. (B) Filtro de Adesão para pesquisar e classificar os casos. (C) Lista de acesso com as informações de cada caso, incluindo número de acesso, nome do paciente, status do caso, número e qualidade das imagens, etc. Neste caso, 4 casos foram atribuídos ao usuário. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> 
Figura 4: Janela de revisão do patologista. (A) Informações do caso, incluindo o status do caso. (B) A tabela de resumo de amostras fornece um resumo de cada amostra, incluindo local, diagnóstico e comentários. (C) As informações da amostra fornecem informações adicionais sobre a amostra. (D) Painel de controle do caso para navegar no caso. O diagrama à direita indica os locais da biópsia da próstata e os resultados da IA (vermelho-câncer, laranja-ASAP e preto-benigno). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> 
Figura 5: Janela de revisão de imagem. (A) A biblioteca de imagens (barra lateral esquerda) lista todas as amostras em ordem alfabética com informações sobre o tipo e o status da mancha. (B) Barra de ferramentas (superior) para mover, anotar e compartilhar as imagens. (C) Informações do caso/IA (barra lateral direita) para fazer comentários, comunicar-se com a equipe e visualizar feedback/resultados de IA. Este caso é uma biópsia de próstata com câncer de próstata mascarado por IA (câncer vermelho e verde-Gleason 4). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> 
Figura 6: Saídas de IA. (A) Imagem histológica. (B) Feedback de IA, ou seja, avaliação de imagem por IA, incluindo comprimento do tumor, pontuação de Gleason, grupo de notas, etc. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> 
Figura 7: O modelo de IA da próstata avalia automaticamente a imagem da biópsia da próstata e auxilia na geração de relatórios de patologia. (A) Após análise das imagens no IMS. (B) A IA envia os resultados para o relatório de patologia. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> 
Figura 8: Avaliação por IA da lâmina de citologia de urina. As células uroteliais anormais foram destacadas em vermelho (células cancerígenas uroteliais de alto grau) e rosa (células suspeitas). Resultados de IA mostrados no encarte (canto superior direito). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Exatidão</td>
			<td>Precisão</td>
			<td>Sensibilidade</td>
			<td>Especificidade</td>
			<td>Pontuação F1</td>
		</tr>
		<tr>
			<td>97%</td>
			<td>96%</td>
			<td>98%</td>
			<td>96%</td>
			<td>97%</td>
		</tr>
	</tbody>
</table>
Tabela 1: Desempenho do modelo de IA da próstata para detecção de adenocarcinoma em biópsias de próstata.

Introdução de um sistema integrado de gerenciamento de imagens de patologia, inteligência artificial e relatórios

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

JoVE Journal

Medicine

Medicina

Nós descrevemos os passos para usar nosso software projetado sob encomenda para a integração, visualização e planejamento em cirurgia de epilepsia.

A Pipeline para 3D Multimodality Integração imagem e Planejamento assistida por computador em Cirurgia de Epilepsia

Este protocolo descreve um fluxo de trabalho de alto rendimento para segmentação de regiões de interesse confirmadas pela patologia de imagens de seção de tecidos manchados e finos para enriquecimento de populações celulares resolvidas por histologia usando microdisseção a laser. Esta estratégia inclui um novo algoritmo que permite a transferência de demarcações denotando populações celulares de interesse diretamente para microscópios a laser.

Microdisseção laser industrializada e guiada por inteligência artificial para análise proteômica microescalada do Microambiente tumoral

O ensaio de micronúcleo (MN) é um teste bem estabelecido para quantificar danos ao DNA. No entanto, pontuar o ensaio usando técnicas convencionais, como microscopia manual ou análise de imagem baseada em recursos, é trabalhoso e desafiador. Este artigo descreve a metodologia para desenvolver um modelo de inteligência artificial para pontuar o ensaio de MN usando dados de citometria de fluxo de imagem.

Automação do Ensaio de Micronúcleos Utilizando Imagem por Citometria de Fluxo e Inteligência Artificial

A imagem de feixe de íons multiplexada (MIBI) é frequentemente usada para obter imagens de microarrays de tecido e áreas de tecido contíguas lado a lado, mas o software atual para configurar esses experimentos é complicado. A interface tile/SED/array é uma ferramenta gráfica intuitiva e interativa desenvolvida para simplificar e acelerar drasticamente a configuração de execução do MIBI.

Configuração rápida de microarray de tecido e imagem de área lado a lado no microscópio de imagem de feixe de íons multiplexado usando a interface Tile/SED/Array 

Um processo de registro de tomografias computadorizadas de feixe cônico e imagens odontológicas digitais foi apresentado usando identificação de pontos de referência assistida por inteligência artificial (IA) e fusão. Uma comparação com o registro baseado em superfície mostra que a digitalização e a integração baseadas em IA são confiáveis e reprodutíveis.

Confiabilidade da Integração de Tomografia Computadorizada de Feixe Cônico Baseada em Inteligência Artificial com Imagens Odontológicas Digitais

A presença de mastócitos na margem interna e áreas peritumorais do carcinoma hepatocelular após a ressecção confere um prognóstico favorável. Este estudo endossa o software de análise de imagens QuPath como uma plataforma promissora que pode atender à necessidade de reprodutibilidade, consistência e precisão em patologia digital.

Mastócitos no microambiente do carcinoma hepatocelular conferem prognóstico favorável: um estudo retrospectivo usando o software de análise de imagem QuPath 

Aqui, apresentamos um protocolo padronizado para detecção de câncer de próstata usando histologia Raman estimulada (SRH) em amostras de biópsia devido às vantagens sobre a histopatologia tradicional, com foco na preparação de amostras, imagens e inteligência artificial para melhorar a relação câncer-tecido. Além disso, suporta biobanco para transcriptômica, modelos de organoides ou xenoenxertos e identificação de margens cirúrgicas intraoperatórias.

Detecção e Isolamento de Câncer em Biópsias de Próstata Utilizando Histologia Raman Estimulada e Inteligência Artificial

Este manuscrito mostra cada passo de personalizar um olho protético de vidro criolite, incluindo algumas das principais vantagens do uso de vidro criolite para a fabricação de uma prótese ocular em comparação com poli (metilme metacrilato). Além disso, este manuscrito dá aos oftalmologistas uma melhor visão sobre o cuidado ocularista que poderia melhorar a colaboração interprofissional.

Personalizando um olho protético de vidro criolite

Aqui, apresentamos um protocolo para administrar com segurança e eficácia gás anestésico em camundongos usando um sistema de anestesia digital de baixo fluxo com módulos integrados de ventilação e monitoramento fisiológico.

Uso de um vaporizador anestésico integrado de baixo fluxo, ventilador e sistema de monitoramento fisiológico para roedores

O presente protocolo descreve a técnica de miógrafo de fio para medir a reatividade vascular da artéria coronária do rato.

Preparação padronizada do anel coronário de rato e gravação em tempo real de mudanças dinâmicas de tensão ao longo do diâmetro do vaso

Aprenda a integrar inteligência artificial em sistemas de informação patológica para diagnóstico assistido por computador. Esta plataforma alcançou 97% de precisão na detecção de câncer de próstata.

Introdução de um sistema integrado de gerenciamento de imagens de patologia, inteligência artificial e relatórios

Explorar mais vídeos