Name: Entegre bir patoloji görüntü yönetimi, yapay zeka ve raporlama sisteminin tanıtılması (Video) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: Keşfedin yapay zeka entegre patoloji görüntü yönetimi ve raporlama sistemini. FlexLIS platformu, prostat kanseri tespitinde %97 doğrulukla tanı süreçlerini hızlandırır ve patologların teşhis doğruluğunu artırır.

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 Projesi</td><td>Novino AI</td><td></td><td></td></tr></tbody></table>

entegre bir patoloji görüntü yönetimi, yapay zeka ve raporlama sisteminin tanıtılması

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

Bu bölümde, yapay zekanın patologlara görüntüleri değerlendirmede ve tanısal girdiler sağlamada nasıl yardımcı olabileceğini göstermek için iki kullanım örneği sunulmaktadır.
Prostat kanseri teşhisi (Şekil 7): Tümör uzunluğu ve yüzdesi, Gleason skorları (3, 4 ve 5), Gleason 4 ve 5 yüzdesi vb. dahil olmak üzere kanserli prostat biyopsisinin histopatolojik değerlendirmesi. Bu bilgi daha sonra hastaları 4 dereceli gruba (1 ila 4) ayırmak için kullanılır, 4'ü en agresif prostat kanseridir 4,5. Bu bilgilerin patoloji raporunda yer alması gerekmektedir; bu nedenle, yapay zeka destekli patoloji teşhisini göstermek için mükemmel bir örnektir.
Bu örnekte, prostat biyopsisi yapılan cam slaytlar başlangıçta hematoksilen-eozin (H&amp;E) prosedürü ile boyanmıştır. Lekeli slayt daha sonra, tarayıcı bilgisayar ile yazılım arasındaki doğrudan bir arayüz aracılığıyla sisteme yüklenen tam bir slayt görüntüsü (WSI) oluşturmak için sayısallaştırıldı (Şekil 7). Yüklendikten sonra, yapay zeka destekli bir model etiketi işler, numune kaynağı (yani prostat) ve boyama türü (yani H ve E) dahil olmak üzere her varlığı tanımlar ve etiketler. Bu model, görüntünün H&amp;E lekeli bir prostat biyopsisi olup olmadığını belirler. Eğer öyleyse, başka bir yapay zeka tabanlı model görüntüyü analiz eder ve analize dayalı olarak geri bildirim veya çıktılar üretir (Şekil 7A). Bu yapay zeka tabanlı model, patologların küçük tümör alanlarının varlığını doğrulamasına yardımcı olmak için PIN4 immünohistokimyasal boyalarını da ön sipariş verebilir (Şekil 3).
Bu model, deneyimli patologlardan oluşan bir ekip tarafından piksel bazında açıklamalı 1700'den fazla prostat tam slayt görüntüsü (WSI) üzerinde eğitildi. WSI'lerin ek açıklamasını takiben, prostat dokusu karolarını dört kategoriye ayırmak için bir derin öğrenme modeli uygulanır: Benign, Gleason3, Gleason4 ve Gleason5. Şekil 5'te gösterildiği gibi, döşeme tabanlı çıktılar, kanserli bölgeleri vurgulayan bir tam slayt maskesi oluşturmak için toplanır: Kanser (kırmızı), Gleason4 (yeşil) ve Gleason5 (mavi; Şekil 6). Bu maskelere ek olarak, AI modeli prostat WSI için son bir etiket (Kanser veya İyi Huylu) oluşturdu. Bu sınıflandırma, Gleason3, Gleason4 ve Gleason5 alanları, Gleason3, Gleason4 ve Gleason5 maskelerinin kesinliği ve diğer faktörler gibi morfolojik özelliklere dayanmaktadır. Prostat kanserinin tespiti için mevcut prostat modelimizin performansı, model geliştirme veya doğrulama sırasında kullanılmayan bağımsız bir 1.000 WSI seti kullanılarak doğrulandı. Doğrulama kümesindeki her slayt İyi Huylu veya Kanser olarak etiketlenir. Eğitilen model ayrıca açıklandığı gibi her slayda bir etiket atar. Temel doğruluk etiketlerini modelin tahminleriyle karşılaştırarak, Tablo 1'de sunulduğu gibi doğruluk, duyarlılık, özgüllük ve F1 puanı gibi performans ölçümleri hesaplandı. Sonuçlar, eğitilen modelin diğer prostat AI modellerine benzer şekilde performans gösterdiğini göstermektedir6.
Gleason skorlarına ek olarak, AI modeli tümör uzunluğunu ve yüzdesini ve derece grubunu belirleyebilir (Şekil 7). Ayrıca, AI modeli, sağlandığı takdirde NCCN risk grubuna dayalı patoloji ve klinik bilgileri de hesaplayabilir (Şekil 7A). FlexLIS'te AI, tüm teşhis bilgilerini patoloji raporuna yazabilir, böylece patologların bunları rapora manuel olarak girmesine gerek kalmaz (Şekil 7B). Tüm AI süreci arka planda tamamlanmış ve patologlar tarafından görülemese de, AI analiz sonuçları ve aynı görüntü, AI sonuçlarını patoloji raporunda tutmaya veya değiştirmeye karar verebilecek patologlar tarafından görülebilir (Şekil 7B).
Mesane kanseri taraması için idrar sitolojisi: İdrar sitolojisi, mesane kanseri taraması, teşhisi ve izlenmesi için birincil non-invaziv yöntemdir7. İdrar sitolojisi hastaları dört kategoriye ayırır: yüksek dereceli ürotelyal karsinom için negatif, atipik ürotelyal hücreler, yüksek dereceli ürotelyal karsinom için şüpheli ve yüksek dereceli ürotelyal karsinom8. İdrar sitolojisinin gözden geçirilmesi deneyim ve beceri gerektirir ve çok zaman alıcıdır. Bu nedenle yapay zeka destekli idrar sitolojisi taraması yoğun talep edilmektedir. Bu vaka, yapay zeka tarafından tek hücreli bir değerlendirme sunar.
İdrar sitoloji slaytlarının incelenmesi patologlar için emek yoğun ve zaman alıcı bir süreç olabilir. Genellikle samanlıkta iğne aramaya benzeyen nadir, tanısal olarak önemli hücreleri bulmak için geniş alanları titizlikle taramayı ve sık sık yakınlaştırmayı ve uzaklaştırmayı gerektirir. Bu manuel yaklaşım yalnızca önemli ölçüde zaman ve odaklanma gerektirmekle kalmaz, aynı zamanda teşhis yorgunluğuna ve yorumlarda potansiyel değişkenliğe de katkıda bulunur. Bu süreci kolaylaştırmak için, idrar örneklerinde çok çeşitli hücre tiplerini otomatik olarak algılayıp sınıflandırarak patologları desteklemek için FlexLIS'e entegre edilmiş yapay zeka tabanlı idrar sitolojisi modeli geliştirilmiştir. Model aşağıdaki kategorileri tanımlayabilir: HGUC (Yüksek Dereceli Ürotelyal Karsinom hücreleri), şüpheli (maligniteyi düşündüren ancak kesin olarak tanısal olmayan belirgin anormallikleri olan ürotelyal hücreler), atipik ürotelyal hücreler, RBC'ler (Kırmızı Kan Hücreleri), kristaller, lenfositler, polimorf hücreler, polyoma virüsü, renal tübüler hücreler, sperm, skuamöz hücreler, normal ürotelyal hücreler, maya ve diğerleri. Kullanılabilirliği daha da artırmak için, tanısal olarak önemli kategoriler - HGUC, atipik ürotelyal hücreler ve şüpheli olanlar - farklı renkler kullanılarak vurgulanır (Şekil 8), bu da patologların kapsamlı manuel taramaya ihtiyaç duymadan ilgi alanlarına hızla odaklanmalarını sağlar.
Ayrıca, AI modeli, tespit edilen her kategorideki hücre sayısını ölçer ve bu verileri çıktıya sorunsuz bir şekilde entegre eder (Şekil 8). Bu bulgular otomatik olarak patoloji raporuna aktarılır ve patoloğun yalnızca vakayı gözden geçirmeye, doğrulamaya ve sonuçlandırmaya odaklanmasını sağlar. Bu, tanılama verimliliğini büyük ölçüde artırır, manuel iş yükünü azaltır ve raporlar arasında tutarlılığı ve doğruluğu artırır.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank"></a><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank"></a><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank"></a><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank"></a><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank"></a><img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank"></a><img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank"></a><img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank"></a><table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td></td><td></td><td></td><td></td><td></td></tr><tr><td></td><td></td><td></td><td></td><td></td></tr></tbody></table>

Entegre bir patoloji görüntü yönetimi, yapay zeka ve raporlama sisteminin tanıtılması

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

Tıp

Biz epilepsi cerrahisi görüntü entegrasyonu, görselleştirme ve planlama için bizim özel olarak tasarlanmış yazılımı kullanmak için gereken adımları açıklar.

Epilepsi Cerrahisi 3D Multimodalite Görüntü Entegrasyonu ve Bilgisayar destekli Planlama Bir Boru Hattı

Bu protokol, lazer mikrodiseksiyonu kullanarak histoloji ile çözülmüş hücre popülasyonlarının zenginleştirilmesi için lekeli, ince doku kesiti görüntülerinden patoloji onaylı ilgi alanlarının yapay zeka odaklı segmentasyonu için yüksek verimli bir iş akışını açıklamaktadır. Bu strateji, ilgilenilen hücre popülasyonlarını gösteren sınırların doğrudan lazer mikroskoplara aktarılmasını sağlayan yeni bir algoritma içerir.

Tümör Mikroçevresinin Mikro Ölçekli Proteomik Analizi için Endüstriyelleşmiş, Yapay Zeka Rehberliğinde Lazer Mikrodiseksiyonu

Mikroçekirdek (MN) testi, DNA hasarını ölçmek için iyi kurulmuş bir testtir. Bununla birlikte, manuel mikroskopi veya özellik tabanlı görüntü analizi gibi geleneksel teknikleri kullanarak tahlilin puanlanması zahmetli ve zordur. Bu makalede, görüntüleme akışı sitometri verilerini kullanarak MN testini puanlamak için bir yapay zeka modeli geliştirme metodolojisi açıklanmaktadır.

Görüntüleme Akış Sitometrisi ve Yapay Zeka Kullanılarak Mikronükleus Testinin Otomasyonu

Çoğullanmış iyon demeti görüntüleme (MIBI) genellikle doku mikrodizilerini ve döşenmiş, bitişik doku alanlarını görüntülemek için kullanılır, ancak bu deneyleri kurmak için mevcut yazılım hantaldır. Döşeme/SED/dizi arayüzü, MIBI çalıştırma kurulumunu önemli ölçüde basitleştirmek ve hızlandırmak için geliştirilmiş sezgisel, etkileşimli bir grafik aracıdır.

Karo/SED/Array arayüzü kullanılarak çoğullanmış iyon ışını görüntüleme mikroskobu üzerinde doku mikrodizisi ve döşenmiş alan görüntülemesinin hızlı kurulumu 

Yapay zeka (AI) destekli yer işaretlerinin tanımlanması ve birleştirilmesi kullanılarak konik ışınlı bilgisayarlı tomografi taramalarını ve dijital diş görüntülerini kaydetme süreci sunulmuştur. Yüzey tabanlı kayıtla yapılan bir karşılaştırma, yapay zeka tabanlı sayısallaştırma ve entegrasyonun güvenilir ve tekrarlanabilir olduğunu gösterir.

Yapay Zeka Tabanlı Konik Işınlı Bilgisayarlı Tomografinin Dijital Dental Görüntülerle Entegrasyonunun Güvenilirliği

Rezeksiyon sonrası hepatosellüler karsinomun iç kenarında ve peritümör bölgelerinde mast hücrelerinin varlığı olumlu bir prognoz sağlar. Bu çalışma, QuPath görüntü analiz yazılımını dijital patolojide tekrarlanabilirlik, tutarlılık ve doğruluk ihtiyacını karşılayabilecek umut verici bir platform olarak onaylamaktadır.

Hepatosellüler Karsinomun Mikroçevresindeki Mast Hücreleri Olumlu Prognoz Sağlar: QuPath Görüntü Analiz Yazılımı Kullanılarak Retrospektif Bir Çalışma 

Burada, kanser-doku oranını iyileştirmek için örnek hazırlama, görüntüleme ve yapay zekaya odaklanan, geleneksel histopatolojiye göre avantajları nedeniyle biyopsi örneklerinde uyarılmış Raman histolojisi (SRH) kullanarak prostat kanserini tespit etmek için standart bir protokol sunuyoruz. Ek olarak, transkriptomik, organoid veya ksenogreft modelleri için biyobankacılığı ve intraoperatif cerrahi sınırların belirlenmesini destekler.

Uyarılmış Raman Histolojisi ve Yapay Zeka Kullanılarak Prostat Biyopsilerinde Kanserin Tespiti ve İzolasyonu

Bu el yazması poli (metil metakrilat) ile karşılaştırıldığında bir göz protezi üretimi için kriyolit cam kullanımının bazı önemli avantajları da dahil olmak üzere bir kriyolit cam protez göz özelleştirme her adım gösterir. Buna ek olarak, bu el yazması oftalmologlar profesyoneller arası işbirliğini geliştirebilir oküler bakım içine daha iyi fikir verir.

Kriyolit Cam Protez Gözü Özelleştirme

Burada, entegre ventilatör ve fizyolojik izleme modüllerine sahip dijital, düşük akışlı bir anestezi sistemi kullanarak farelere anestezik gazı güvenli ve etkili bir şekilde uygulamak için bir protokol sunuyoruz.

Kemirgenler için Entegre Düşük Akışlı Anestezik Buharlaştırıcı, Ventilatör ve Fizyolojik İzleme Sisteminin Kullanımı

Mevcut protokol, sıçan koroner arterinin vasküler reaktivitesini ölçmek için tel miyograf tekniğini açıklamaktadır.

Standartlaştırılmış Sıçan Koroner Halka Hazırlama ve Damar Çapı Boyunca Dinamik Gerilim Değişikliklerinin Gerçek Zamanlı Kaydı

Keşfedin yapay zeka entegre patoloji görüntü yönetimi ve raporlama sistemini. FlexLIS platformu, prostat kanseri tespitinde %97 doğrulukla tanı süreçlerini hızlandırır ve patologların teşhis doğruluğunu artırır.

Entegre bir patoloji görüntü yönetimi, yapay zeka ve raporlama sisteminin tanıtılması

Daha fazla video keşfet