Методическая статья

Внедрение интегрированного управления изображениями патологии, искусственного интеллекта и системы отчетности

DOI:

10.3791/68270

⸱

11 июля 2025 г.

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

В этой статье

Краткое содержание

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

Интегрированное управление изображениями, искусственный интеллект (ИИ) и системы отчетности произвели революцию в практике диагностики патологии. В этой статье мы представляем FlexLIS, современную систему, которая позволяет искусственному интеллекту помогать патологоанатомам в выполнении оценки гистопатологических изображений и создании диагностических отчетов.

Аннотация

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

Разработка электронных систем отчетности (ЛИС), систем управления изображениями (IMS) и моделей искусственного интеллекта произвела революцию в практике патологии. Интегрируя передовые IMS и сложные алгоритмы искусственного интеллекта, эти системы еще больше оптимизируют процесс диагностики, обеспечивая более точную и эффективную диагностику. FlexLIS — это передовое программное обеспечение для цифровой патологии, включающее модели искусственного интеллекта для анализа изображений и транскрибирования результатов, сгенерированных искусственным интеллектом, в комплексные отчеты о патологии. Эта система, интегрированная в искусственный интеллект, также может поддерживать контроль качества (QC), заказывать специальные морилки для сложных случаев и облегчать консультации. В результате у него есть потенциал для повышения точности диагностики и рабочего процесса патологоанатомов. В этой статье мы предоставляем краткий протокол для патологоанатомов о том, как использовать программное обеспечение для просмотра изображений слайдов и создания отчетов о патологии. Мы также обсуждаем ее применение в диагностике рака предстательной железы с помощью пункционной биопсии предстательной железы и скрининга рака мочевого пузыря с помощью цитологии мочи, демонстрируя универсальность платформы и ее влияние в клинической практике.

Введение

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

Диагностическая патология является важной врачебной специальностью, которая производит диагностику заболеваний путем исследования тканей, полученных от пациентов. Образцы тканей обрабатываются, и тонкие срезы ткани помещаются на предметные стекла, которые затем окрашиваются химическими веществами, такими как гематоксилин и эозин (H&E). Традиционно патологоанатомы исследуют витражи на предметных стеклах под микроскопом и выдают диагностические заключения с помощью компьютерного программного обеспечения, т.е. лабораторных информационных систем (ЛИС; Рисунок 1А). В последнее десятилетие цифровая патология постепенно внедряется в патологическую практику, где стеклянные стекла оцифровывались путем сканирования предметного стекла для получения целого изображения слайда (WSI)1. Патологоанатомам достаточно просматривать слайдовые изображения с помощью системы управления изображениями (IMS) для постановки диагнозов, что значительно влияет на рабочий процесс патологоанатомической практики (рис. 1B). В последнее время искусственный интеллект (ИИ) с глубоким машинным обучением оцифрованных гистопатологических изображений предоставляет потенциальную возможность повысить точность диагностики и эффективность патологоанатомов 1,2.

В связи с внедрением и развитием ЛИС, ИСМ и патологоанатомического искусственного интеллекта в разные периоды времени, эти системы поставляются разными вендорами и функционируют независимо. В настоящее время патологоанатомам приходится работать с двумя отдельными системами, т.е. ЛИС для отчетности о диагнозах и IMS для просмотра изображений1. Кроме того, современные модели искусственного интеллекта предназначены для лучшей работы с IMS, но не с LIS3. Несовместимость ЛИС, ИСМ и ИИ существенно влияет на разработку и внедрение цифровых моделей патологии и ИИ в рутинную патологическую практику. Идеально и важно иметь интегрированную систему, объединяющую ЛИС и IMS, чтобы ИИ мог просматривать изображения в IMS и создавать отчеты о патологии в ЛИС.

Поэтому наша цель — разработать облачную интегрированную систему LIS/IMS/AI, которая позволит патологоанатомам получать доступ к изображениям и составлять отчеты в любое время и в любом месте. Кроме того, модели ИИ органично взаимодействуют между IMS и LIS, так что результаты оценки изображений ИИ в IMS могут быть автоматически транскрибированы в отчеты о патологии в LIS. Патологоанатомам достаточно просмотреть изображение в IMS и подтвердить диагноз в LIS без ручного ввода. В этой статье мы представляем патологоанатомам протокол использования FlexLIS и демонстрируем реальное применение анализа изображений и отчетности с помощью искусственного интеллекта в диагностике рака предстательной железы и цитологии мочи для скрининга рака мочевого пузыря.

Протокол

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

Система FlexLIS была разработана в строгом соответствии со стандартами конфиденциальности данных и нормативно-правовой базой, включая Закон о преемственности и подотчетности медицинского страхования (HIPAA). Все данные о пациентах, обрабатываемые в системе, шифруются как при хранении, так и при передаче с использованием стандартных отраслевых протоколов.

1. Настройка учетной записи

  1. Откройте веб-браузер. Введите Continue (рисунок 2). Пользователю будет отправлено электронное письмо.
  2. Перейдите по электронной почте и нажмите на ссылку для входа, после чего откроется окно «Список присоединения» (рисунок 3).

2. Оцифровка стеклянных слайдов

  1. Включите питание цифрового сканера и загрузите в сканер ранее нанесенные витражи (например, гематоксилин и эозин).
  2. Нажмите кнопку Старт , чтобы начать сканирование предметных стекол. Изображения будут автоматически загружены в систему через прямой интерфейс и расположены в формате кейса, который патологоанатомы обычно видят в лотке слайдов.

3. Анализ данных

  1. Список случаев можно посмотреть в окне «Список присоединений» (Рисунок 3 и Рисунок 4), а соответствующие изображения — в окне «Просмотр изображений» (Рисунок 5 и Рисунок 6).
    ПРИМЕЧАНИЕ: Программное обеспечение использует следующие критерии для оценки удобства использования пользователями: процент успешных задач, время выполнения задачи, процент ошибок, количество действий на задачу, шкала удобства использования системы (SUS) и удовлетворенность пользователей на основе исследований и интервью с пользователями. Мы используем Datadog для мониторинга пользователей в режиме реального времени (RUM) и для мониторинга ошибок приложений.
  2. В окне Список присоединения пользователь видит список назначенных случаев (рисунок 3C). Нажмите кнопку со стрелкой вниз перед корпусом (PN24-00004), чтобы увидеть пятна, заказанные персоналом и искусственным интеллектом (в данном случае PIN4). Зеленая точка на значке микроскопа указывает на завершение анализа ИИ (рисунок 2C). Красная точка перед номером доступа указывает на рак, обнаруженный на изображении искусственным интеллектом (рис. 2C). Рассмотрено/Готово/Всего указывает общее количество изображений в каждой категории. Тем! Отметка после номера изображения указывает на оценку качества изображения AI (т. е. отсутствуют изображения или размыты).
  3. Нажмите на значок пользователя перед случаем PN24-00004 , после чего пользователь перейдет в окно «Обзор патологоанатома» (рисунок 4). Все образцы перечислены в алфавитном порядке (рисунок 4B) в сводной таблице образцов. Пользователь видит результаты анализа ИИ для каждого образца, включая диагноз (доброкачественный, HGPIN, ASAP, рак) и описание (баллы Глисона, длина опухоли и группа степени; Рисунок 4B). Пользователи также видят результаты искусственного интеллекта в виде диаграммы (красный — рак, оранжевый — как можно скорее и черный — доброкачественный; Рисунок 4B).
  4. Нажмите на значок микроскопа слева в положении B (рисунок 4B), чтобы открыть окно просмотра изображений (рисунок 5). Пользователь видит соответствующее изображение в отдельном окне просмотра изображений (рисунок 5). Пользователь также видит аннотации ИИ, красные выделения указывают на рак, а зеленые выделения указывают на Gleason 4 (рис. 5).
  5. Нажмите C (Рисунок 5A) для просмотра изображения C, нажмите D для просмотра изображения D и т. д. Щелкните значок AI Feedback на рисунке 5C , чтобы просмотреть сведения о выходных данных AI (рисунок 6).

Результаты

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

В этом разделе представлены два сценария использования, чтобы продемонстрировать, как ИИ может помочь патологоанатомам в оценке изображений и предоставлении диагностических входных данных.

Диагноз рака предстательной железы (Рисунок 7): Гистопатологическая оценка биопсии предстательной железы с раком, включая длину и процент опухоли, баллы по шкале Глисона (3, 4 и 5), процент по шкале Глисона 4 и 5 и т. д. Эта информация затем используется для классификации пациентов на 4 группы степени (от 1 до 4), где 4 являются наиболее агрессивным раком предстательной железы 4,5. Эта информация должна быть включена в заключение о гистологическом исследовании; поэтому это прекрасный пример для иллюстрации диагностики патологии с помощью искусственного интеллекта.

В этом примере предметные стекла с биопсией предстательной железы были первоначально окрашены с помощью процедуры гематоксилин-эозин (H&E). Затем окрашенный слайд был оцифрован для создания целого изображения слайда (WSI), которое было загружено в систему через прямой интерфейс между компьютером сканера и программным обеспечением (Рисунок 7). После загрузки модель на основе искусственного интеллекта обрабатывает метку, идентифицирует и помечает каждый объект, включая источник образца (например, простату) и тип окрашивания (т. е. H&E). Эта модель определяет, является ли изображение биопсией предстательной железы, окрашенной H&E. Если это так, другая модель на основе ИИ анализирует изображение и генерирует обратную связь или выходные данные на основе анализа (рис. 7A). Эта модель на основе искусственного интеллекта также способна предварительно заказывать иммуногистохимические красители PIN4, чтобы помочь патологоанатомам подтвердить наличие небольших участков опухоли (рис. 3).

Эта модель была обучена на более чем 1700 изображениях целых слайдов предстательной железы (WSI), которые были попиксельно аннотированы командой опытных патологоанатомов. После аннотации WSI применяется модель глубокого обучения для классификации плиток ткани предстательной железы по четырем категориям: доброкачественный, Глисон3, Глисон4 и Глисон5. Как показано на рисунке 5, выходные данные на основе плиток агрегируются для создания целой маски слайда, выделяющей раковые области: Cancer (красный), Gleason4 (зеленый) и Gleason5 (синий; Рисунок 6). В дополнение к этим маскам модель ИИ генерировала окончательную метку (рак или доброкачественный) для WSI предстательной железы. Эта классификация основана на морфологических признаках, таких как площади масок Gleason3, Gleason4 и Gleason5, определенность масок Gleason3, Gleason4 и Gleason5, а также на других факторах. Эффективность нашей текущей модели предстательной железы для выявления рака предстательной железы была подтверждена использованием независимого набора из 1000 WSI, которые не использовались во время разработки или валидации модели. Каждый слайд в проверочном наборе помечен как доброкачественный или рак. Обученная модель также присваивает метку каждому слайду, как описано. Путем сравнения меток достоверной достоверности данных с прогнозами модели были рассчитаны такие показатели эффективности, как точность, чувствительность, специфичность и оценка F1, как показано в таблице 1. Результаты показывают, что обученная модель работает сопоставимо с другими моделями ИИ предстательной железы6.

В дополнение к шкале Глисона, модель искусственного интеллекта способна определять длину и процент опухоли, а также группу степени (рис. 7). Кроме того, модель искусственного интеллекта также способна рассчитывать патологию на основе группы риска NCCN и клиническую информацию, если она предоставлена (рисунок 7A). В FlexPLIS искусственный интеллект может транскрибировать всю диагностическую информацию в отчет о патологии, так что патологоанатомам не нужно вручную вносить ее в отчет (рис. 7B). Несмотря на то, что весь процесс искусственного интеллекта выполняется в фоновом режиме и не виден патологоанатомам, результаты анализа искусственного интеллекта и одно и то же изображение видны патологоанатомам, которые могут принять решение о сохранении или изменении результатов искусственного интеллекта в отчете о патологии (рисунок 7B).

Цитология мочи для скрининга рака мочевого пузыря: Цитология мочи является основным неинвазивным методом скрининга, диагностики и мониторинга рака мочевого пузыря7. Цитология мочи классифицирует пациентов на четыре категории: отрицательные для уротелиальной карциномы высокой степени злокачественности, атипичные уротелиальные клетки, подозрительные на уротелиальную карциному высокой степени злокачественности и уротелиальная карцинома высокой степени8. Проверка цитологии мочи требует опыта и мастерства и занимает очень много времени. Поэтому цитологический скрининг мочи с помощью ИИ пользуется большим спросом. В этом случае представлена оценка одной клетки с помощью искусственного интеллекта.

Изучение цитологических препаратов мочи может быть трудоемким и длительным процессом для патологоанатомов. Для этого требуется тщательное сканирование широких полей и частое увеличение и уменьшение масштаба для обнаружения редких, диагностически значимых клеток, что часто напоминает поиск иголки в стоге сена. Такой ручной подход не только требует значительного времени и концентрации, но и способствует диагностической усталости и потенциальной вариативности интерпретаций. Чтобы оптимизировать этот процесс, была разработана цитологическая модель мочи на основе искусственного интеллекта, интегрированная в FlexLIS, для поддержки патологоанатомов путем автоматического обнаружения и классификации широкого спектра типов клеток в образцах мочи. Модель способна идентифицировать следующие категории: HGUC (клетки уротелиальной карциномы высокой степени злокачественности), подозрительные (уротелиальные клетки с выраженными аномалиями, указывающими на злокачественность, но не поддающиеся окончательной диагностике), атипичные уротелиальные клетки, эритроциты (эритроциты), кристаллы, лимфоциты, полиморфные клетки, вирус полиомы, клетки почечных канальцев, сперматозоиды, плоскоклеточные клетки, нормальные уротелиальные клетки, дрожжи и другие. Для дальнейшего повышения удобства использования диагностически значимые категории — HGUC, атипичные уротелиальные клетки и подозрительные — выделены различными цветами (рис. 8), что позволяет патологоанатомам быстро сосредоточиться на областях интереса без необходимости тщательного ручного сканирования.

Кроме того, модель искусственного интеллекта количественно определяет количество клеток в каждой обнаруженной категории и легко интегрирует эти данные в выходные данные (рис. 8). Эти результаты автоматически записываются в отчет о патологоанатомическом исследовании, что позволяет патологоанатому сосредоточиться исключительно на рассмотрении, проверке и окончательном доработке случая. Это значительно повышает эффективность диагностики, снижает ручную рабочую нагрузку и обеспечивает согласованность и точность отчетов.

Для обучения модели искусственного интеллекта 500 областей были случайным образом выбраны из 150 полных слайдовых изображений цитологических образцов мочи. Эксперты-цитопатологи вручную аннотировали клетки в этих областях по 14 заранее определенным категориям, как описано ранее, в результате чего было получено более 30 000 аннотированных клеток. Регионы из 80% слайдов были использованы для обучения, а остальные 20% были зарезервированы для валидации. Затем модель обнаружения объектов была обучена и оценена для точной идентификации и классификации ячеек по определенным категориям.

В дополнение к моделям цитологии предстательной железы и мочи, в программном обеспечении также доступна гастроэнтерологическая модель искусственного интеллекта. Другие модели, в том числе рак мочевого пузыря и рак легких, находятся в процессе разработки.

figure-results-1
Рисунок 1: Рабочий процесс патологоанатомического исследования. (А) Традиционный рабочий процесс патологии. (B) Рабочий процесс цифровой патологии. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-2
Рисунок 2: Окно входа в систему. Введите адрес электронной почты в поле электронной почты. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-3
Рисунок 3: Окно списка присоединения. (A) Левая боковая панель указывает на различные пользовательские опции. (B) Фильтр присоединения для поиска и сортировки случаев. (C) Список присоединения с информацией о каждом случае, включая регистрационный номер, имя пациента, статус случая, количество и качество изображений и т.д. В данном случае за пользователем было закреплено 4 случая. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-4
Рисунок 4: Окно обзора патологоанатома. (A) Информация о случае, включая статус случая. (B) Сводная таблица образцов содержит краткую информацию о каждом образце, включая место исследования, диагноз и комментарии. (C) Информация об образце предоставляет дополнительную информацию об образце. (D) Панель управления делом для навигации по делу. На правой диаграмме указаны места биопсии предстательной железы и результаты AI (красный — рак, оранжевый — как можно скорее, черный — доброкачественный). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-5
Рисунок 5: Окно просмотра изображений. (A) Библиотека изображений (левая боковая панель) перечисляет все образцы в алфавитном порядке с информацией о типе и статусе пятна. (B) Панель инструментов (вверху) для перемещения, комментирования и обмена изображениями. (C) Информация о деле/ИИ (правая боковая панель) для внесения комментариев, общения с персоналом и просмотра отзывов/результатов ИИ. Этот случай представляет собой биопсию предстательной железы с раком предстательной железы, замаскированным искусственным интеллектом (red-cancer и green-Gleason 4). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-6
Рисунок 6: Выходные данные ИИ. (A) Гистологическое изображение. (B) Обратная связь с помощью искусственного интеллекта, т.е. оценка изображения с помощью искусственного интеллекта, включая длину опухоли, оценку по шкале Глисона, классную группу и т. д. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-7
Рисунок 7: Модель искусственного интеллекта предстательной железы автоматически оценивает изображение биопсии предстательной железы и помогает в создании отчетов о патологии. (A) После анализа изображений в IMS. (B) ИИ выводит результаты в патологоанатомическое заключение. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-8
Рисунок 8: Оценка цитологического стекла мочи с помощью ИИ. Аномальные уротелиальные клетки были выделены красным цветом (высокодифференцированные уротелиальные раковые клетки) и розовым (подозрительные клетки). Результаты AI отображаются во вкладыше (правый верхний угол). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

ТочностьТочностьЧувствительностьСпецифичностьF1-счет
97%96%98%96%97%

Таблица 1: Производительность модели искусственного интеллекта предстательной железы для выявления аденокарциномы при биопсии предстательной железы.

Обсуждение

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

Успешное и точное применение FlexLIS зависит от нескольких важнейших этапов процесса, которые можно определить как преаналитические, аналитические и постаналитические факторы1. Наиболее важным преаналитическим фактором является качество изображения, на которое влияют цифровые сканеры, надписи на слайдах и окрашивание. Низкое качество изображений значительно влияет на оценку изображений и производительность искусственного интеллекта. К аналитическим факторам относятся скорость интернета, качество отображения изображения (пиксель и разрешение), стабильность программного обеспечения и корректная работа пользователей. Постаналитические факторы включают хранение и удержание изображений, резервное копирование изображений, отказоустойчивость, безопасность данных и соответствие требованиям HIPAA1. Поскольку программное обеспечение разработано патологоанатомами для патологоанатомов, многие потенциальные аналитические ошибки, встречающиеся в повседневной практике, включая неправильную работу, могут быть обнаружены и помечены программным обеспечением, чтобы обеспечить исправление этих ошибок перед переходом к следующему этапу. Например, если изображение не просматривается и диагноз не вводится (рисунок 4), случай не может быть завершен.

Несмотря на то, что программное обеспечение значительно оптимизирует рабочий процесс, могут потребоваться периодические корректировки или устранение неполадок. Например, могут возникнуть расхождения между оценками ИИ и интерпретациями патологоанатома. Эти различия могут быть результатом таких факторов, как качество изображения, различия в методах окрашивания предметными стеклами или наличие редких типов опухолей и гистопатологических паттернов, которые были недостаточно представлены в первоначальных наборах данных для обучения. Для решения этих проблем используется подход «человек в контуре», когда патологоанатомы обеспечивают обратную связь с моделью ИИ. Эта обратная связь используется для периодического обновления модели новыми и более разнообразными обучающими данными, повышая ее точность и обобщаемость с течением времени. Это гарантирует, что система продолжит развиваться и совершенствоваться на основе реального клинического опыта.

Несмотря на то, что о каждой системе LIS9, IMS и AI10 сообщалось ранее, FlexLIS выделяется как интегрированная система, о которой, насколько нам известно, ранее не сообщалось. Что еще более важно, эта интегрированная система, включая ее модели искусственного интеллекта, ежедневно используется в нескольких патологических практиках и продемонстрировала свою полезность и надежность. Такая система предназначена для использования в лабораториях рутинной патологии, поэтому поддерживает обработку и отчетность по различным образцам патологии, включая простату, мочевой пузырь, молочную железу, легкие, желудочно-кишечный тракт, желудочно-кишечный тракт, гинекологию и т. д. Эта система включает в себя несколько функций контроля качества на основе искусственного интеллекта, включая обнаружение и пометку артефактов на изображениях (размытых и отсутствующих тканей), которые могут повлиять на точность диагностики. Наконец, эта система очень гибкая и может быть адаптирована к конкретным потребностям каждой отдельной лаборатории.

Будущие приложения этой интегрированной системы LIS/IMS/AI очень широки, включая клинические услуги, биомедицинские исследования и обучение студентов-медиков/ординаторов. Он предлагает отдельный исследовательский модуль, который обеспечивает соответствие высоким стандартам в исследованиях, включая те, которые требуются Институциональным наблюдательным советом, такие как: 1) обезличивание изображений путем удаления оригинальной этикетки слайда, содержащей идентификатор пациента, и присвоение нового идентификатора исследования; 2) сортировать и расставлять слайды и кейсы в соответствии с планом исследования; 3) записывать и отслеживать диагнозы и комментарии участников для анализа и обобщения данных и т.д.

Его полезность в образовании подтверждается нашим текущим проектом по обучению резидентов11, который показывает, что помощь ИИ может повысить точность определения ключевых гистопатологических особенностей пациентов. Несколько функций описанного здесь программного обеспечения, в том числе удобная IMS и большое количество изображений в системе, контролируемый доступ к маскам и аннотациям ИИ, интегрированные функции ChatGPT, специфичные для патологии, а также безопасная и удобная возможность обмена случаями, делают его полезной платформой как для самостоятельного обучения, так и для обучения под руководством наставника.

В настоящее время программное обеспечение сталкивается с рядом ограничений и проблем, как и любая другая платформа управления изображениями на основе искусственного интеллекта1. При реализации необходимо учитывать проблемы интеграции, включая интерфейс с существующими электронными медицинскими системами, хранение и извлечение больших изображений и т. д. Возможность обобщения моделей ИИ в различных учреждениях, сканерах, протоколах окрашивания и популяциях пациентов, а также чувствительность к артефактам изображения, вариабельность препаратов тканей и редкие гистологические паттерны — вот несколько ограничений, связанных с моделями ИИ патологий. Наконец, еще одной проблемой систем искусственного интеллекта для патологии является функциональная совместимость из-за фрагментации форматов данных, диагностической терминологии и инструментов, специфичных для платформы.

Раскрытие информации

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

Авторы участвуют в разработке FlexLIS. Система LIS/IMS, как и AI, была разработана компанией NovinoAI и является собственностью NovinoAI.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Технология FlexLISНовино ИИ

Ссылки

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

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи