PathAI kommer att visa upp de senaste framstegen inom tillämpningen av AI-baserad patologi

PathAI, en global ledare inom teknikbaseradartificiell intelligens (AI) för patologi, meddelade idag att organisationens senaste forskning kommer att presenteras vid det kommande 2022 AASLD 2022 Liver Meeting*, som äger rum i Washington, DC 4-8 november 2022.

Vid årets evenemang kommer PathAI att dela totalt fem presentationer, fyra posterpresentationer och en muntlig presentation, varav fyra har utvecklats tillsammans med läkemedelspartners. I synnerhet visar de nya resultaten för alkoholfri steatohepatit (NASH) hur PathAI fortsätter att ta itu med behovet av ett reproducerbart och korrekt Clinical Research Network (CRN) poängverktyg för att möta standarderna för dagens kliniska NASH-prövningar, såväl som behovet av mer robusta kvantitativa datamått.

"Vårt teams senaste forskning syftade till att utforska variationen som finns i den patologiska granskningen av leverbiopsier. Våra resultat tyder på att integration av AI-lösningar i denna process avsevärt kan förbättra konsekvensen och noggrannheten i dessa bedömningar, säger Dr. Mike Montalto, Chief Scientific Officer för PathAI. "Detta tillvägagångssätt kommer naturligtvis att sträcka sig till att förbättra utvecklingen av NASH-läkemedel, vilket är avgörande för att tillgodose ett stort otillfredsställt medicinskt behov för patienter."

I en muntlig presentation utvecklad i samarbete med Gilead Sciences,  "Exploratoriska analyser av NASH-histologi med CRN-poäng härledda från en maskininlärningsmetod för flera färger", PathAI kommer att lyfta fram en ny maskininlärning (ML)-baserad poängmodell, som använder kombinerad information från H&E och Masson trefärgade bilder för att förutsäga NASH CRN-grader/stadier. Den nuvarande processen för att utvärdera NASH-biopsier är föremål för stor variation; Denna forskning visar hur PathAI ML kan kombinera histologisk information från flera hela diabilder för att förutsäga NASH CRN-grader/stadier på en kontinuerlig skala, vilket potentiellt kan mildra variationen mellan vävnadsprovet som utvärderats för varje färg. Dessutom härleddes de kontinuerliga CRN-funktionspoängen som extraherades från dessa förutsägelser från samma indata; som sådan möjliggör PathAI-modellen en direkt jämförelse av egenskaper associerade med alla fyra histologiska egenskaperna hos NASH,

För att ytterligare demonstrera effektiviteten av PathAI:s kontinuerliga ML-poängfunktioner kommer PathAI att presentera data som utvecklats i samarbete med Novo Nordisk som visar att leverhistologibedömningen generellt sett var konsekvent hos patologer och ML-bedömning hos patienter med NASH-cirros. "Jämförelse av Semaglutid-effekter på leverhistologi hos patienter med icke-alkoholisk Steatohepatit Cirrhosis Mellan Machine Learning Model Assessment och Patologist Assessment,"  påpekar att PathAI:s ML-analys fann signifikant färre placebo-svarare än patologernas poäng, vilket stöder tidigare rapporterade observationer och ger ytterligare bevis för att ML-metoder mer exakt kan fånga behandlingssvar i kliniska prövningar på NASH.

PathAI fortsätter att främja NASH-forskning för att stödja det långsiktiga behovet av mer granulär utvärdering av leverbiopsier. Presenterar en ny metod i ” Kvantitativ multimodal anisotropiavbildning möjliggör maskininlärningsförutsägelse av CRN NASH-fibrosstadiet utan manuell anteckning ", PathAI adresserar variation i manuell patologisk stadieindelning av fibros i NASH med hjälp av kvantitativ multi-model anisotropy imaging (QMAI) av fibros för att tillhandahålla opartiska kommentarer för att träna modeller för att förutsäga NASH CRN-fibrosstadium i andra vävnadssektioner. Genom att jämföra modellprestanda med patologpoängen förutspådde dessa modeller CRN-fibrosstadiet med en noggrannhet som är jämförbar med modeller som tränats av patologkommentarer av MT-färgade vävnadssnitt.

BlogInnovazione.it

â € <