PathAI do të shfaqë përparimet e fundit në aplikimin e patologjisë së bazuar në AI

PathAI, një lider global në teknologjinë e bazuarinteligjenca artificiale (AI) për patologjinë, sot njoftoi se kërkimi i fundit i organizatës do të prezantohet në takimin e ardhshëm të mëlçisë 2022 AASLD 2022*, që do të zhvillohet në Uashington, DC, 4-8 nëntor 2022.

Në ngjarjen e këtij viti, PathAI do të ndajë gjithsej pesë prezantime, katër prezantime poster dhe një prezantim gojor, katër prej të cilave janë zhvilluar bashkë me partnerët farmaceutikë. Në veçanti, gjetjet e reja për steatohepatitin joalkoolik (NASH) theksojnë se si PathAI vazhdon të adresojë nevojën për një mjet të riprodhueshëm dhe të saktë të vlerësimit të Rrjetit Kërkimor Klinik (CRN) për të përmbushur standardet e sprovave klinike të sotme të NASH, si dhe nevojën për më shumë masa të fuqishme të të dhënave sasiore.

“Kërkimet e fundit të ekipit tonë synonin të eksploronin ndryshueshmërinë që ekziston në rishikimin patologjik të biopsive të mëlçisë. Gjetjet tona tregojnë se integrimi i zgjidhjeve të AI në këtë proces mund të përmirësojë shumë qëndrueshmërinë dhe saktësinë e këtyre vlerësimeve, "tha Dr. Mike Montalto, Drejtor Kryesor Shkencor i PathAI. "Kjo qasje natyrisht do të shtrihet në përmirësimin e zhvillimit të barnave NASH, i cili është thelbësor për adresimin e një nevoje të madhe mjekësore të paplotësuar për pacientët."

Në një prezantim gojor të zhvilluar në bashkëpunim me Gilead Sciences,  "Analizat eksploruese të histologjisë NASH duke përdorur rezultatet CRN të nxjerra nga një metodë e të mësuarit të makinerive me shumë ngjyrosje", PathAI do të nxjerrë në pah një model të ri vlerësimi të bazuar në mësimin e makinerive (ML), i cili përdor informacion të kombinuar nga imazhet me tre ngjyra H&E dhe Masson për të parashikuar notat/fazat e NASH CRN. Procesi aktual për vlerësimin e biopsive të NASH është subjekt i ndryshueshmërisë së lartë; Ky hulumtim tregon se si PathAI ML mund të kombinojë informacionin histologjik nga imazhe të shumta të rrëshqitjes për të parashikuar notat/fazat e NASH CRN në një shkallë të vazhdueshme, duke zbutur potencialisht ndryshimin midis mostrës së indeve të vlerësuar për secilën njollë. Për më tepër, rezultatet e vazhdueshme të veçorive CRN që u nxorrën nga këto parashikime u përftuan nga i njëjti input; si i tillë, modeli PathAI lejon një krahasim të drejtpërdrejtë të veçorive të lidhura me të katër tiparet histologjike të NASH,

Për të demonstruar më tej efikasitetin e aftësive të vlerësimit të vazhdueshëm të ML të PathAI, PathAI do të paraqesë të dhëna të zhvilluara në bashkëpunim me Novo Nordisk që tregojnë se vlerësimi i histologjisë së mëlçisë ishte përgjithësisht i qëndrueshëm midis patologëve dhe vlerësimit të ML në pacientët me cirrozë NASH. "Krahasimi i efekteve të semaglutideve në histologjinë e mëlçisë në pacientët me cirrozë steatohepatiti joalkoolik midis vlerësimit të modelit të mësimit të makinës dhe vlerësimit patolog,"  thekson se analiza e ML e PathAI gjeti dukshëm më pak reagues placebo sesa rezultati i patologëve, duke mbështetur vëzhgimet e raportuara më parë dhe duke ofruar prova të mëtejshme se metodat e ML mund të kapin më saktë përgjigjen e trajtimit në provat klinike mbi NASH.

PathAI vazhdon të avancojë kërkimin NASH për të mbështetur nevojën afatgjatë për vlerësim më të grimcuar të biopsive të mëlçisë. Prezantimi i një metode të re në ” Imazhi sasior i anizotropisë multimodale mundëson parashikimin e mësimit të makinës të fazës së fibrozës CRN NASH pa shënim manual ", PathAI trajton variacionet në stadimin manual patologjik të fibrozës në NASH duke përdorur imazhe sasiore anizotropike me shumë modele (QMAI) të fibrozës për të ofruar shënime të paanshme për të trajnuar modelet për të parashikuar fazën e fibrozës NASH CRN në seksione të tjera të indeve. Duke krahasuar performancën e modelit me rezultatin e patologut, këto modele parashikuan fazën e fibrozës CRN me një saktësi të krahasueshme me modelet e trajnuara nga shënimi patolog i seksioneve të indeve të ngjyrosura me MT.

BlogInnovazione.it

â € <