Entegre bir patoloji görüntü yönetimi, yapay zeka ve raporlama sisteminin tanıtılması
11 Temmuz 2025
Entegre görüntü yönetimi, yapay zeka (AI) ve raporlama sistemleri, tanısal patoloji uygulamasında devrim yarattı. Bu yazıda, yapay zekanın patologlara histopatolojik görüntü değerlendirmeleri yapmada ve tanı raporları oluşturmada yardımcı olmasını sağlayan son teknoloji bir sistem olan FlexLIS'i tanıtıyoruz.
Araştırmamız, patoloji bilgi sistemini, görüntü yönetim sistemini ve yapay zekayı ileri modern patolojiye entegre etmeyi içeren yeni bir platform geliştirmeye odaklanmaktadır. NovinoAI'nin cevaplamaya çalıştığı soru, böyle bir platformun geliştirilip geliştirilemeyeceği, patoloji pratiğinde, araştırmada ve eğitimde kullanılıp kullanılamayacağıdır. Teknolojiler arasında bilgisayar mühendisliği, dijital tarama, hesaplamalı patoloji ve yapay zeka modeli eğitimi yer alıyor. En önemli zorluklardan biri, yapay zekanın entegre edilmesine ve görevlerin sorunsuz bir şekilde yerine getirilmesine olanak tanıyan bir platformun varlığıdır. Entegre platformun patoloji pratiğinde, araştırmasında ve eğitiminde arzu edilen doğrulukla geliştirilebileceğini ve kullanılabileceğini gösteriyoruz. Gelecekteki araştırmalar için temel modeller de dahil olmak üzere daha fazla yapay zeka modeli geliştirmeye devam ediyoruz.
[Anlatıcı] Başlamak için bir web tarayıcısı açın ve prod FlexLIS web sitesine gidin. Önceden kaydedilmiş kullanıcı e-postasını girin ve devam etmek için devam et'e tıklayın. Kayıtlı adrese bir e-posta gönderilecektir. E-posta gelen kutusuna gidin ve erişim listesi penceresine erişmek için sağlanan oturum açma bağlantısına tıklayın. Şimdi dijital tarayıcının gücünü açın ve önceden vitray slaytını tarayıcıya yükleyin. Cam slaytı taramaya başlamak için başlat düğmesine basın. Taranan görüntüler doğrudan arayüz üzerinden otomatik olarak sisteme yüklenecek ve patolog slayt tepsisine benzer şekilde vaka formatında düzenlenmiş olarak görünecektir. Erişim listesi penceresinde, atanan vakaların listesini ve görüntü inceleme penceresinde karşılık gelen slayt görüntülerini görüntüleyin. Erişim listesi penceresinde, personel ve yapay zeka tarafından sipariş edilen dördüncü pim gibi lekeleri ortaya çıkarmak için PN 2404 etiketli kasanın yanındaki aşağı oka tıklayın. Mikroskop simgesindeki yeşil nokta, yapay zeka analizinin tamamlandığını gösterir. Sarı nokta, bu slaytta yapay zeka tarafından algılanan en kısa sürede olduğunu gösterir. İncelenen hazır toplam değerler, görüntü kategorisi sayılarını gösterir. Görüntü numarasından sonra gelen ünlem işareti, eksik veya bulanık görüntüler gibi kalite sorunlarına işaret eder. Ardından, patolog inceleme penceresini açmak ve tüm örnekleri alfabetik olarak listeleyen örnek özet tablosunu gözlemlemek için vaka PN 2404'ün yanındaki kullanıcı simgesine tıklayın. İyi huylu HG pini, ASAP veya kanser gibi tanılar da dahil olmak üzere her örnek için yapay zeka tarafından oluşturulan sonuçları, Gleason skorları, tümör uzunluğu ve derece grubu gibi açıklamalarla birlikte görüntüleyin. Ardından, kanseri kırmızı, ASAP'ı turuncu, HG pinini yeşil ve iyi huyluyu siyah olarak gösteren renk kodlu tanı kategorilerini inceleyin. Şimdi görüntü inceleme penceresini açmak ve ilgili slayt görüntüsünü görüntülemek için mikroskop simgesine tıklayın. Kanseri işaretleyen kırmızı vurgular ve Gleason dördünü gösteren yeşil vurgular içeren AI açıklamalarını inceleyin. C resmini görüntülemek için C'yi tıklatın, ardından D resmini görüntülemek için D'yi tıklatın ve bu şekilde devam edin. Son olarak, ayrıntılı AI analiz çıktısını görüntülemek için AI geri bildirim simgesine tıklayın. Prostat kanseri tespitine yönelik yapay zeka modeli, %97 hassasiyet, %96 hassasiyet, %98 özgüllük ve %1 F1 skoru ile %97 doğruluk elde etti. Yapay zeka destekli histopatoloji sistemi, renk kodlu bir maske kaplaması kullanarak prostat biyopsi slaytlarında Gleason üç, Gleason dört ve Gleason beş bölgelerine doğru bir şekilde açıklama ekledi. Yapay zeka sistemi, prostat biyopsisinden tümör uzunluğu, yüzde, Gleason skorları ve derece grubu dahil olmak üzere temel patolojik ölçümleri otomatik olarak çıkardı. Yapay zeka tabanlı idrar sitolojisi modeli, her biri renk kodlu kutularla özetlenen, yüksek dereceli ürotelyal karsinom, atipik hücreler ve şüpheli hücreler dahil olmak üzere tanısal açıdan önemli hücreleri otomatik olarak tanımladı.
Genel Bakış
Bu makalede, yapay zekâ (AI) ile patoloji bilgi sistemleri ve görüntü yönetimini entegre eden ileri bir platform olan FlexLIS tanıtılmaktadır. Sistem, histopatoloji görüntü değerlendirmelerini geliştirmeyi ve teşhis raporlamasını hızlandırmayı amaçlamaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Patoloji
- Yapay Zeka
- Teşhis Görüntüleme
Arka Plan
- Modern patoloji uygulamaları, verimli görüntü yönetimi ve teşhis sistemlerine ihtiyaç duyar.
- Yapay zekâ, patologların teşhis doğruluğunu artırmasına yardımcı olma potansiyeline sahiptir.
- Yapay zekayı mevcut iş akışlarına sorunsuz entegre etme konusunda zorluklar bulunmaktadır.
- Dijital tarama ve hesaplamalı patolojideki teknolojik gelişmeler çok önemlidir.
Çalışmanın Amacı
- Patoloji uygulamasına yapay zekayı entegre eden bir platform geliştirmek.
- Yapay zekânın teşhis süreçlerini geliştirmedeki etkinliğini değerlendirmek.
- İleri teknolojiler kullanarak patoloji alanında araştırma ve eğitimi kolaylaştırmak.
Kullanılan Yöntemler
- Entegre bir patoloji bilgi sisteminin geliştirilmesi.
- Görüntü elde etmek için dijital tamanın kullanılması.
- Teşhis analizi için yapay zekâ modellerinin uygulanması.
- Doğruluk ve hassasiyet gibi yapay zekâ performans metriklerini değerlendirmek.
Ana Sonuçlar
- Yapay zekâ destekli sistem, prostat kanseri tespiti konusunda %97 doğruluğa ulaşmıştır.
- Yapay zekâ açıklamaları, biyopsi slaytlarındaki kritik bölgeleri etkili bir şekilde vurgulamıştır.
- Önemli patolojik metrikler, yapay zekâ sistemi tarafından otomatik olarak çıkarılmıştır.
- Yapay zekânın entegrasyonu, görüntü inceleme ve teşhisin verimliliğini artırmıştır.
Sonuçlar
- FlexLIS, patolojide yapay zekâ entegrasyonunun fizibilitesini göstermiştir.
- Platform, teşhis doğruluğunu ve iş akışının verimliliğini artırmaktadır.
- Yapay zekâ modellerinin sürekli geliştirilmesi, gelecekteki ilerlemeler için gereklidir.
Sıkça Sorulan Sorular
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.
