PathAI, leader globale nella tecnologia basata sull’intelligenza artificiale (AI) per la patologia, ha annunciato oggi che la recente ricerca dell’organizzazione sarà presentata al prossimo AASLD 2022 Liver Meeting* del 2022, che si terrà a Washington, DC dal 4 all’8 novembre , 2022.
All’evento di quest’anno PathAI condividerà un totale di cinque presentazioni, quattro presentazioni poster e una presentazione orale, quattro delle quali sono state sviluppate in collaborazione con partner farmaceutici. In particolare, le nuove scoperte per la steatoepatite non alcolica (NASH) evidenziano come PathAI continui a soddisfare la necessità di uno strumento di punteggio della rete di ricerca clinica (CRN) riproducibile e accurato per soddisfare gli standard degli odierni studi clinici sulla NASH, nonché la necessità di dati quantitativi più solidi le misure.
“L’ultima ricerca del nostro team mirava a esplorare le variabilità che esistono nella revisione patologica delle biopsie epatiche. I nostri risultati indicano che l’integrazione di soluzioni di intelligenza artificiale in questo processo può migliorare notevolmente la coerenza e l’accuratezza di queste valutazioni “, ha affermato il dott. Mike Montalto, Chief Scientific Officer di PathAI. “Questo approccio si estenderà naturalmente al miglioramento dello sviluppo di farmaci NASH, che è fondamentale per affrontare una grande esigenza medica insoddisfatta per i pazienti”.
In una presentazione orale sviluppata in collaborazione con Gilead Sciences, “Analisi esplorative dell’istologia NASH utilizzando i punteggi CRN derivati da un metodo di apprendimento automatico multicolorazione”, PathAI metterà in evidenza un nuovo modello di punteggio basato sull’apprendimento automatico (ML), che utilizza le informazioni combinate dalle immagini tricromatiche di H&E e Masson per prevedere i gradi/fasi NASH CRN. L’attuale processo di valutazione delle biopsie NASH è soggetto ad elevata variabilità; questa ricerca mostra come PathAI ML può combinare informazioni istologiche da più immagini di vetrini interi per prevedere gradi/stadi NASH CRN su una scala continua, mitigando potenzialmente la variazione tra il campione di tessuto valutato per ciascuna macchia. Inoltre, i punteggi delle caratteristiche CRN continue che sono stati estratti da queste previsioni sono stati derivati dallo stesso input; in quanto tale, il modello PathAI consente un confronto diretto tra le caratteristiche associate a tutte e quattro le caratteristiche istologiche della NASH,
Per dimostrare ulteriormente l’efficacia delle capacità di punteggio ML continuo di PathAI, PathAI presenterà i dati sviluppati in collaborazione con Novo Nordisk che mostrano che la valutazione dell’istologia epatica era generalmente coerente tra i patologi e la valutazione ML nei pazienti con cirrosi NASH. “Confronto degli effetti di Semaglutide sull’istologia epatica in pazienti con cirrosi da steatoepatite non alcolica tra valutazione del modello di apprendimento automatico e valutazione del patologo”, sottolinea che l’analisi ML di PathAI ha rilevato un numero significativamente inferiore di responder al placebo rispetto al punteggio dei patologi, supportando le osservazioni precedentemente riportate e fornendo ulteriori prove che I metodi ML possono catturare in modo più accurato la risposta al trattamento negli studi clinici sulla NASH.
PathAI continua a portare avanti la ricerca sulla NASH per supportare la necessità a lungo termine di una valutazione più granulare delle biopsie epatiche. Presentando un nuovo metodo in ” L’imaging di anisotropia multimodale quantitativa consente la previsione dell’apprendimento automatico dello stadio di fibrosi CRN NASH senza annotazione manuale “, PathAI affronta la variazione nella stadiazione patologica manuale della fibrosi nella NASH utilizzando l’imaging di anisotropia multimodello quantitativo (QMAI) della fibrosi per fornire annotazioni imparziali addestrare modelli per prevedere lo stadio della fibrosi NASH CRN in altre sezioni di tessuto. Confrontando le prestazioni del modello con il punteggio del patologo, questi modelli hanno previsto lo stadio della fibrosi CRN con un’accuratezza paragonabile a quella dei modelli addestrati tramite l’annotazione del patologo delle sezioni di tessuto colorate con MT.
BlogInnovazione.it