PathAI एआई-आधारित पैथोलॉजी के अनुप्रयोग में हाल की प्रगति को प्रदर्शित करेगा

PathAI, प्रौद्योगिकी आधारित में एक वैश्विक नेताकृत्रिम बुद्धि (एआई) पैथोलॉजी के लिए, आज घोषणा की कि संगठन के हालिया शोध को आगामी 2022 AASLD 2022 लीवर मीटिंग* में प्रस्तुत किया जाएगा, जो वाशिंगटन, डीसी में 4-8 नवंबर, 2022 को हो रही है।

इस वर्ष के आयोजन में, PathAI कुल पाँच प्रस्तुतियाँ, चार पोस्टर प्रस्तुतियाँ और एक मौखिक प्रस्तुति साझा करेगा, जिनमें से चार को फार्मास्युटिकल भागीदारों के साथ सह-विकसित किया गया था। विशेष रूप से, गैर मादक स्टीटोहेपेटाइटिस (एनएएसएच) के लिए नए निष्कर्ष इस बात पर प्रकाश डालते हैं कि कैसे PathAI आज के एनएएसएच क्लिनिकल परीक्षणों के मानकों को पूरा करने के लिए एक प्रतिलिपि प्रस्तुत करने योग्य और सटीक क्लिनिकल रिसर्च नेटवर्क (सीआरएन) स्कोरिंग टूल की आवश्यकता को संबोधित करना जारी रखता है, साथ ही साथ और अधिक की आवश्यकता को पूरा करता है। मजबूत मात्रात्मक डेटा उपाय।

"हमारी टीम के नवीनतम शोध का उद्देश्य लीवर बायोप्सी की पैथोलॉजिकल समीक्षा में मौजूद परिवर्तनशीलता का पता लगाना है। हमारे निष्कर्ष बताते हैं कि इस प्रक्रिया में एआई समाधानों को एकीकृत करने से इन आकलनों की स्थिरता और सटीकता में काफी सुधार हो सकता है," डॉ। PathAI के मुख्य वैज्ञानिक अधिकारी माइक मोंटाल्टो। "यह दृष्टिकोण स्वाभाविक रूप से एनएएसएच दवा के विकास में सुधार करने के लिए विस्तारित होगा, जो रोगियों के लिए एक बड़ी अपूर्ण चिकित्सा आवश्यकता को संबोधित करने के लिए महत्वपूर्ण है।"

गिलियड साइंसेज के सहयोग से विकसित एक मौखिक प्रस्तुति में,  "मल्टी-स्टेनिंग मशीन लर्निंग पद्धति से प्राप्त CRN स्कोर का उपयोग करके NASH हिस्टोलॉजी का खोजपूर्ण विश्लेषण", PathAI एक नए मशीन लर्निंग (ML)-आधारित स्कोरिंग मॉडल को उजागर करेगा, जो NASH CRN ग्रेड/चरणों की भविष्यवाणी करने के लिए H&E और मैसन तिरंगा छवियों से संयुक्त जानकारी का उपयोग करता है। एनएएसएच बायोप्सी के मूल्यांकन की वर्तमान प्रक्रिया उच्च परिवर्तनशीलता के अधीन है; इस शोध से पता चलता है कि कैसे PathAI ML एक निरंतर पैमाने पर NASH CRN ग्रेड/चरणों की भविष्यवाणी करने के लिए कई पूरी स्लाइड छवियों से हिस्टोलॉजिकल जानकारी को जोड़ सकता है, संभावित रूप से प्रत्येक दाग के लिए मूल्यांकन किए गए ऊतक के नमूने के बीच भिन्नता को कम कर सकता है। इसके अलावा, इन भविष्यवाणियों से निकाले गए निरंतर सीआरएन फीचर स्कोर एक ही इनपुट से प्राप्त किए गए थे; जैसे, PathAI मॉडल NASH के सभी चार हिस्टोलॉजिकल फीचर्स से जुड़ी सुविधाओं की सीधी तुलना की अनुमति देता है,

PathAI की निरंतर ML स्कोरिंग क्षमताओं की प्रभावकारिता को और प्रदर्शित करने के लिए, PathAI नोवो नॉर्डिस्क के सहयोग से विकसित डेटा प्रस्तुत करेगा, जिसमें दिखाया गया है कि NASH सिरोसिस के रोगियों में लिवर हिस्टोलॉजी मूल्यांकन आमतौर पर पैथोलॉजिस्ट और ML मूल्यांकन के अनुरूप था। "मशीन लर्निंग मॉडल असेसमेंट और पैथोलॉजिस्ट असेसमेंट के बीच नॉनक्लॉजिक स्टीटोहेपेटाइटिस सिरोसिस वाले मरीजों में लिवर हिस्टोलॉजी पर सेमाग्लूटाइड इफेक्ट्स की तुलना,"  बताते हैं कि PathAI के ML विश्लेषण में पैथोलॉजिस्ट के स्कोर की तुलना में काफी कम प्लेसीबो उत्तरदाता पाए गए, जो पहले रिपोर्ट की गई टिप्पणियों का समर्थन करते हैं और आगे के सबूत प्रदान करते हैं कि ML तरीके NASH पर नैदानिक ​​​​परीक्षणों में उपचार की प्रतिक्रिया को अधिक सटीक रूप से पकड़ सकते हैं।

PathAI लीवर बायोप्सी के अधिक बारीक मूल्यांकन के लिए दीर्घकालिक आवश्यकता का समर्थन करने के लिए NASH अनुसंधान को आगे बढ़ाना जारी रखे हुए है। में एक नई विधि प्रस्तुत करना मात्रात्मक मल्टीमॉडल अनिसोट्रॉपी इमेजिंग मैनुअल एनोटेशन के बिना सीआरएन एनएएसएच फाइब्रोसिस चरण की मशीन सीखने की भविष्यवाणी को सक्षम बनाता है ", PathAI अन्य ऊतक वर्गों में NASH CRN फाइब्रोसिस चरण की भविष्यवाणी करने के लिए मॉडल को प्रशिक्षित करने के लिए निष्पक्ष एनोटेशन प्रदान करने के लिए फाइब्रोसिस की मात्रात्मक बहु-मॉडल अनिसोट्रॉपी इमेजिंग (QMAI) का उपयोग करके NASH में फाइब्रोसिस के मैनुअल पैथोलॉजिकल स्टेजिंग में भिन्नता को संबोधित करता है। पैथोलॉजिस्ट स्कोर के साथ मॉडल के प्रदर्शन की तुलना करके, इन मॉडलों ने एमटी-सना हुआ ऊतक वर्गों के पैथोलॉजिस्ट एनोटेशन द्वारा प्रशिक्षित मॉडल की तुलना में सटीकता के साथ सीआरएन फाइब्रोसिस चरण की भविष्यवाणी की।

BlogInnovazione.it

Στρατός Assault - Παίξτε Funny Games