PathAI ќе го прикаже неодамнешниот напредок во примената на патологијата базирана на вештачка интелигенција

PathAI, глобален лидер во технологија базиранавештачка интелигенција (АИ) за патологија, денес објави дека неодамнешното истражување на организацијата ќе биде претставено на претстојниот состанок на црниот дроб 2022 AASLD 2022*, што ќе се одржи во Вашингтон, 4-8 ноември 2022 година.

На овогодинешниот настан, PathAI ќе сподели вкупно пет презентации, четири постер презентации и една усна презентација, од кои четири се заеднички развиени со фармацевтски партнери. Особено, новите наоди за безалкохолниот стеатохепатитис (NASH) нагласуваат како PathAI продолжува да се справува со потребата за репродуктивна и точна алатка за бодување на мрежата за клиничко истражување (CRN) за да ги исполни стандардите на денешните клинички испитувања NASH, како и потребата за повеќе робусни мерки за квантитативни податоци.

„Најновото истражување на нашиот тим имаше за цел да ја истражи варијабилноста што постои во патолошкиот преглед на биопсиите на црниот дроб. Нашите наоди покажуваат дека интегрирањето на решенијата за вештачка интелигенција во овој процес може во голема мера да ја подобри конзистентноста и точноста на овие проценки“, рече д-р. Мајк Монталто, главен научен директор на PathAI. „Овој пристап природно ќе се прошири на подобрување на развојот на лекови NASH, што е од клучно значење за решавање на голема незадоволена медицинска потреба за пациентите“.

Во усна презентација развиена во соработка со Gilead Sciences,  „Истражувачки анализи на NASH хистологијата користејќи CRN резултати добиени од метод на машинско учење со повеќе боење“, PathAI ќе го истакне новиот модел на бодување базиран на машинско учење (ML), кој користи комбинирани информации од слики со три бои H&E и Masson за да ги предвиди оценките/фазите на NASH CRN. Тековниот процес за евалуација на биопсиите на NASH е предмет на голема варијабилност; Ова истражување покажува како PathAI ML може да комбинира хистолошки информации од повеќе слики од цели слајд за да ги предвиди оценките/фазите на NASH CRN на континуирана скала, потенцијално ублажувајќи ја варијацијата помеѓу ткивниот примерок оценет за секоја дамка. Понатаму, резултатите од континуираните CRN карактеристики кои беа извлечени од овие предвидувања беа изведени од истиот влез; како таков, моделот PathAI овозможува директна споредба на карактеристиките поврзани со сите четири хистолошки карактеристики на NASH,

За понатамошно демонстрирање на ефикасноста на способностите за континуирано постигнување ML на PathAI, PathAI ќе ги претстави податоците развиени во соработка со Novo Nordisk кои покажуваат дека проценката на хистологијата на црниот дроб е генерално конзистентна кај патолозите и проценката на ML кај пациенти со NASH цироза. „Споредба на ефектите на семаглутид врз хистологијата на црниот дроб кај пациенти со неалкохолен стеатохепатитис цироза помеѓу проценката на моделот за машинско учење и проценката на патологот“,  посочува дека анализата на ML на PathAI откри значително помалку плацебо одговорни од резултатот на патолозите, поддржувајќи ги претходно пријавените набљудувања и обезбедувајќи дополнителни докази дека методите на ML можат попрецизно да го доловат одговорот на третманот во клиничките испитувања на NASH.

PathAI продолжува да го унапредува истражувањето на NASH за да ја поддржи долгорочната потреба за погрануларна евалуација на биопсиите на црниот дроб. Презентирање на нов метод во ” Квантитативното мултимодално анизотропско сликање овозможува предвидување на машинското учење на фазата на фиброза CRN NASH без рачна прибелешка „, PathAI се занимава со варијации во рачно патолошката фаза на фиброза во NASH користејќи квантитативно мулти-модел анизотропско сликање (QMAI) на фиброза за да обезбеди непристрасни прибелешки за обука на модели за предвидување на фазата на фиброза NASH CRN во други ткивни делови. Со споредување на перформансите на моделот со резултатот на патологот, овие модели ја предвидоа фазата на CRN фиброза со точност споредлива со моделите обучени со прибелешка од патолог на ткивните делови обоени со МТ.

BlogInnovazione.it

​