PathAI predstaví nedávny pokrok v aplikácii patológie založenej na AI

PathAI, globálny líder v oblasti technológiíumelá inteligencia (AI) pre patológiu dnes oznámila, že nedávny výskum organizácie bude prezentovaný na nadchádzajúcom 2022 AASLD 2022 Liver Meeting*, ktorý sa uskutoční vo Washingtone, DC 4. – 8. novembra 2022.

Na tohtoročnom podujatí bude PathAI zdieľať celkovo päť prezentácií, štyri posterové prezentácie a jednu ústnu prezentáciu, z ktorých štyri boli vyvinuté v spolupráci s farmaceutickými partnermi. Najmä nové zistenia pre nealkoholickú steatohepatitídu (NASH) poukazujú na to, ako PathAI naďalej rieši potrebu reprodukovateľného a presného bodovacieho nástroja siete klinického výskumu (CRN), aby splnil štandardy dnešných klinických štúdií NASH, ako aj potrebu ďalších robustné kvantitatívne údaje.

„Najnovší výskum nášho tímu sa zameral na preskúmanie variability, ktorá existuje pri patologickom preskúmaní pečeňových biopsií. Naše zistenia naznačujú, že integrácia riešení AI do tohto procesu môže výrazne zlepšiť konzistentnosť a presnosť týchto hodnotení,“ povedal Dr. Mike Montalto, hlavný vedecký riaditeľ spoločnosti PathAI. "Tento prístup sa prirodzene rozšíri na zlepšenie vývoja liekov NASH, čo je rozhodujúce pre riešenie veľkej neuspokojenej lekárskej potreby pacientov."

V ústnej prezentácii vyvinutej v spolupráci s Gilead Sciences,  „Prieskumné analýzy histológie NASH pomocou skóre CRN odvodených z metódy strojového učenia s viacerými farbeniami“, PathAI vyzdvihne nový model hodnotenia založený na strojovom učení (ML), ktorý využíva kombinované informácie z trojfarebných obrázkov H&E a Masson na predpovedanie stupňov/štádií NASH CRN. Súčasný proces hodnotenia biopsií NASH podlieha vysokej variabilite; Tento výskum ukazuje, ako môže PathAI ML skombinovať histologické informácie z viacerých obrázkov celých sklíčok na predpovedanie stupňov/štádií NASH CRN na nepretržitom meradle, čo potenciálne zmierňuje odchýlky medzi vzorkou tkaniva hodnotenou pre každé zafarbenie. Okrem toho skóre spojitých funkcií CRN, ktoré boli extrahované z týchto predpovedí, boli odvodené z rovnakého vstupu; ako taký model PathAI umožňuje priame porovnanie znakov spojených so všetkými štyrmi histologickými znakmi NASH,

Na ďalšie preukázanie účinnosti kontinuálneho skórovania ML PathAI predstaví PathAI údaje vyvinuté v spolupráci so spoločnosťou Novo Nordisk, ktoré ukazujú, že histologické hodnotenie pečene bolo vo všeobecnosti konzistentné medzi patológmi a hodnotenie ML u pacientov s cirhózou NASH. "Porovnanie účinkov semaglutidu na histológiu pečene u pacientov s nealkoholickou steatohepatitídou cirhózou medzi hodnotením modelu strojového učenia a hodnotením patológa,"  poukazuje na to, že analýza ML spoločnosti PathAI zistila výrazne menej pacientov reagujúcich na placebo ako skóre patológov, čo podporuje skôr uvedené pozorovania a poskytuje ďalší dôkaz, že metódy ML môžu presnejšie zachytiť odpoveď na liečbu v klinických štúdiách na NASH.

PathAI pokračuje v napredovaní výskumu NASH na podporu dlhodobej potreby podrobnejšieho hodnotenia pečeňových biopsií. Predstavujeme novú metódu v " Kvantitatívne multimodálne anizotropné zobrazovanie umožňuje strojové učenie predpovedať štádium fibrózy CRN NASH bez manuálnej anotácie “, PathAI sa zaoberá variáciami v manuálnom patologickom stagingu fibrózy pri NASH pomocou kvantitatívneho multimodelového anizotropného zobrazovania (QMAI) fibrózy s cieľom poskytnúť nezaujaté anotácie na trénovanie modelov na predpovedanie štádia fibrózy NASH CRN v iných tkanivových rezoch. Porovnaním výkonnosti modelu so skóre patológa tieto modely predpovedali štádium fibrózy CRN s presnosťou porovnateľnou s modelmi vyškolenými patológom na tkanivových rezoch zafarbených MT.

BlogInnovazione.it

​