PathAI پیشرفت های اخیر در کاربرد آسیب شناسی مبتنی بر هوش مصنوعی را به نمایش خواهد گذاشت

PathAI، یک رهبر جهانی در زمینه فناوریهوش مصنوعی (AI) برای آسیب شناسی، امروز اعلام کرد که تحقیقات اخیر این سازمان در نشست آتی کبد 2022 AASLD 2022* که در 4 تا 8 نوامبر 2022 در واشنگتن دی سی برگزار می شود، ارائه خواهد شد.

در رویداد امسال، PathAI در مجموع پنج ارائه، چهار ارائه پوستر و یک ارائه شفاهی را به اشتراک خواهد گذاشت که چهار مورد از آنها با شرکای دارویی توسعه داده شده است. به طور خاص، یافته‌های جدید برای استئاتوهپاتیت غیرالکلی (NASH) نشان می‌دهد که چگونه PathAI به نیاز به یک ابزار امتیازدهی شبکه تحقیقاتی بالینی (CRN) تکرارپذیر و دقیق برای مطابقت با استانداردهای کارآزمایی‌های بالینی امروزی NASH و همچنین نیاز به موارد بیشتر را برطرف می‌کند. اندازه گیری داده های کمی قوی

"آخرین تحقیق تیم ما با هدف بررسی تنوع موجود در بررسی پاتولوژیک بیوپسی های کبد انجام شد. یافته‌های ما نشان می‌دهد که ادغام راه‌حل‌های هوش مصنوعی در این فرآیند می‌تواند تا حد زیادی ثبات و دقت این ارزیابی‌ها را بهبود بخشد. مایک مونتالتو، مدیر ارشد علمی PathAI. "این رویکرد به طور طبیعی به بهبود توسعه داروی NASH، که برای رفع نیازهای پزشکی برآورده نشده بزرگ برای بیماران حیاتی است، گسترش خواهد یافت."

در یک ارائه شفاهی که با همکاری Gilead Sciences ایجاد شد،  تجزیه و تحلیل اکتشافی بافت شناسی NASH با استفاده از امتیازات CRN که از روش یادگیری ماشینی چند رنگ آمیزی به دست آمده است. PathAI یک مدل امتیازدهی جدید مبتنی بر یادگیری ماشین (ML) را برجسته می‌کند که از اطلاعات ترکیبی از تصاویر سه‌رنگ H&E و Masson برای پیش‌بینی نمرات/مراحل NASH CRN استفاده می‌کند. روند فعلی برای ارزیابی بیوپسی های NASH در معرض تنوع بالایی است. این تحقیق نشان می‌دهد که چگونه PathAI ML می‌تواند اطلاعات بافت‌شناسی را از تصاویر کل اسلاید برای پیش‌بینی درجه‌ها/مراحل NASH CRN در مقیاس پیوسته ترکیب کند، و به طور بالقوه تنوع بین نمونه بافت ارزیابی‌شده برای هر رنگ را کاهش دهد. علاوه بر این، نمرات ویژگی CRN پیوسته که از این پیش‌بینی‌ها استخراج شد، از همان ورودی مشتق شد. به این ترتیب، مدل PathAI امکان مقایسه مستقیم ویژگی های مرتبط با هر چهار ویژگی بافت شناسی NASH را فراهم می کند.

برای نشان دادن بیشتر کارآیی قابلیت‌های امتیازدهی مداوم ML PathAI، PathAI داده‌هایی را ارائه می‌کند که با همکاری Novo Nordisk نشان می‌دهد که ارزیابی بافت‌شناسی کبد به طور کلی در بین پاتولوژیست‌ها و ارزیابی ML در بیماران مبتلا به سیروز NASH سازگار است. "مقایسه اثرات سماگلوتید بر بافت شناسی کبد در بیماران مبتلا به سیروز استئاتوهپاتیت غیرالکلی بین ارزیابی مدل یادگیری ماشینی و ارزیابی پاتولوژیست."  اشاره می کند که تجزیه و تحلیل ML PathAI پاسخ دهندگان دارونما را به میزان قابل توجهی نسبت به امتیاز آسیب شناسان نشان می دهد، مشاهدات گزارش شده قبلی را پشتیبانی می کند و شواهد بیشتری ارائه می دهد که روش های ML می توانند با دقت بیشتری پاسخ درمانی را در کارآزمایی های بالینی روی NASH ثبت کنند.

PathAI به پیشبرد تحقیقات NASH ادامه می دهد تا از نیاز بلندمدت به ارزیابی دانه ای بیشتر بیوپسی های کبد حمایت کند. ارائه روشی جدید در ” تصویربرداری ناهمسانگردی چندوجهی کمی، پیش بینی یادگیری ماشین مرحله فیبروز CRN NASH را بدون حاشیه نویسی دستی امکان پذیر می کند. PathAI به تنوع در مرحله‌بندی دستی پاتولوژیک فیبروز در NASH با استفاده از تصویربرداری ناهمسانگردی چند مدل کمی (QMAI) فیبروز می‌پردازد تا حاشیه‌نویسی‌های بی‌طرفانه برای آموزش مدل‌ها برای پیش‌بینی مرحله فیبروز NASH CRN در سایر بخش‌های بافت ارائه کند. با مقایسه عملکرد مدل با امتیاز آسیب شناس، این مدل ها مرحله فیبروز CRN را با دقتی قابل مقایسه با مدل های آموزش دیده با حاشیه نویسی پاتولوژیست برش های بافتی رنگ آمیزی شده با MT پیش بینی کردند.

BlogInnovazione.it

​