PathAI, AI tabanlı patoloji uygulamasındaki son gelişmeleri sergileyecek

PathAI, teknoloji tabanlı bir dünya lideriyapay zeka (AI) patoloji için, bugün kuruluşun son araştırmasının 2022-2022 Kasım 4'de Washington, DC'de gerçekleşecek olan 8 AASLD 2022 Karaciğer Toplantısında* sunulacağını duyurdu.

Bu yılki etkinlikte PathAI, dördü ilaç ortaklarıyla birlikte geliştirilen toplam beş sunum, dört poster sunumu ve bir sözlü sunum paylaşacak. Özellikle alkolsüz steatohepatite (NASH) yönelik yeni bulgular, PathAI'nin günümüzün NASH klinik deneylerinin standartlarını karşılamak için tekrarlanabilir ve doğru bir Klinik Araştırma Ağı (CRN) puanlama aracına olan ihtiyacı ve daha fazlasına olan ihtiyacı nasıl ele almaya devam ettiğini vurgulamaktadır. sağlam nicel veri ölçümleri.

"Ekibimizin son araştırması, karaciğer biyopsilerinin patolojik incelemesinde var olan değişkenliği keşfetmeyi amaçlıyordu. Bulgularımız, AI çözümlerinin bu sürece entegre edilmesinin bu değerlendirmelerin tutarlılığını ve doğruluğunu büyük ölçüde artırabileceğini gösteriyor" dedi. PathAI'nin Baş Bilim Sorumlusu Mike Montalto. "Bu yaklaşım, doğal olarak, hastalar için karşılanmamış büyük bir tıbbi ihtiyacı ele almak için kritik olan NASH ilaç gelişimini iyileştirmeye kadar uzanacaktır."

Gilead Sciences ile işbirliği içinde geliştirilen sözlü bir sunumda,  "Çok boyamalı bir makine öğrenimi yönteminden türetilen CRN puanlarını kullanan NASH histolojisinin keşif analizleri", PathAI, NASH CRN derecelerini/aşamalarını tahmin etmek için H&E ve Masson üç renkli görüntülerinden gelen birleşik bilgileri kullanan yeni bir makine öğrenimi (ML) tabanlı puanlama modelini vurgulayacak. NASH biyopsilerini değerlendirmek için mevcut süreç yüksek değişkenliğe tabidir; Bu araştırma, PathAI ML'nin NASH CRN derecelerini/aşamalarını sürekli bir ölçekte tahmin etmek için birden fazla tam slayt görüntüsünden histolojik bilgileri nasıl birleştirebileceğini ve potansiyel olarak her leke için değerlendirilen doku örneği arasındaki varyasyonu azaltabileceğini göstermektedir. Ayrıca, bu tahminlerden çıkarılan sürekli CRN özellik puanları aynı girdiden türetilmiştir; bu nedenle PathAI modeli, NASH'ın dört histolojik özelliğinin tümü ile ilişkili özelliklerin doğrudan karşılaştırılmasına izin verir,

PathAI'nin sürekli ML puanlama yeteneklerinin etkinliğini daha fazla göstermek için, PathAI, Novo Nordisk ile işbirliği içinde geliştirilen ve karaciğer histolojisi değerlendirmesinin patologlar arasında genel olarak tutarlı olduğunu ve NASH sirozlu hastalarda ML değerlendirmesinin tutarlı olduğunu gösteren verileri sunacak. “Alkolik Olmayan Steatohepatit Sirozlu Hastalarda Karaciğer Histolojisi Üzerindeki Semaglutid Etkilerinin Makine Öğrenimi Modeli Değerlendirmesi ile Patolog Değerlendirmesi Arasında Karşılaştırılması”  PathAI'nin ML analizinin, patologların puanından önemli ölçüde daha az plasebo yanıtı bulduğunu, daha önce bildirilen gözlemleri desteklediğini ve ML yöntemlerinin NASH üzerindeki klinik deneylerde tedavi yanıtını daha doğru bir şekilde yakalayabileceğine dair daha fazla kanıt sağladığına işaret ediyor.

PathAI, karaciğer biyopsilerinin daha ayrıntılı değerlendirilmesine yönelik uzun vadeli ihtiyacı desteklemek için NASH araştırmasını ilerletmeye devam ediyor. ” da yeni bir yöntem sunmak Kantitatif multimodal anizotropi görüntüleme, manuel açıklama olmadan CRN NASH fibrozis aşamasının makine öğrenimi tahminine olanak tanır ", PathAI, diğer doku bölümlerinde NASH CRN fibroz aşamasını tahmin etmek için modelleri eğitmek üzere tarafsız ek açıklamalar sağlamak için fibrozun kantitatif çok modelli anizotropi görüntülemesini (QMAI) kullanarak NASH'de fibrozun manuel patolojik evrelemesindeki varyasyonu ele alıyor. Model performansını patolog skoru ile karşılaştırarak, bu modeller CRN fibrozis aşamasını MT ile boyanmış doku bölümlerinin patolog açıklamasıyla eğitilen modellerle karşılaştırılabilir bir doğrulukla tahmin etti.

BlogInnovazione.it

​