PathAI продемонструє останні досягнення в застосуванні патології на основі ШІ

PathAI, світовий лідер у сфері технологійштучний інтелект (AI) для патології, сьогодні оголосив, що останні дослідження організації будуть представлені на майбутній 2022 AASLD 2022 Liver Meeting*, яка відбудеться у Вашингтоні, округ Колумбія, 4-8 листопада 2022 року.

На цьогорічному заході PathAI представить загалом п’ять презентацій, чотири постерні та одну усну презентацію, чотири з яких були розроблені спільно з фармацевтичними партнерами. Зокрема, нові висновки щодо неалкогольного стеатогепатиту (НАСГ) підкреслюють, як PathAI продовжує вирішувати потребу у відтворюваному та точному інструменті оцінки мережі клінічних досліджень (CRN), щоб відповідати стандартам сучасних клінічних випробувань НАСГ, а також потребу в більшій кількості надійні вимірювання кількісних даних.

«Останнє дослідження нашої команди мало на меті вивчити мінливість, яка існує в патологічному огляді біопсії печінки. Наші висновки показують, що інтеграція рішень штучного інтелекту в цей процес може значно підвищити узгодженість і точність цих оцінок», — сказав д-р. Майк Монтальто, головний науковий співробітник PathAI. «Цей підхід, природно, поширюватиметься на вдосконалення розробки ліків від NASH, що має вирішальне значення для вирішення великої незадоволеної медичної потреби пацієнтів».

В усній доповіді, розробленій у співпраці з Gilead Sciences,  «Дослідницький аналіз гістології НАСГ з використанням балів CRN, отриманих за допомогою методу машинного навчання з кількома фарбуваннями», PathAI висвітлить нову модель оцінки на основі машинного навчання (ML), яка використовує об’єднану інформацію з триколірних зображень H&E та Masson для прогнозування оцінок/стадій NASH CRN. Сучасний процес оцінки біопсії НАСГ піддається високій варіабельності; Це дослідження показує, як PathAI ML може об’єднати гістологічну інформацію з кількох цілих зображень слайдів, щоб передбачити ступені/стадії CRN NASH у безперервному масштабі, потенційно зменшуючи варіації між зразком тканини, оціненим для кожної плями. Крім того, безперервні показники функції CRN, які були витягнуті з цих прогнозів, були отримані з тих самих вхідних даних; як така, модель PathAI дозволяє проводити пряме порівняння ознак, пов’язаних з усіма чотирма гістологічними ознаками НАСГ,

Щоб додатково продемонструвати ефективність можливостей безперервної оцінки ML PathAI, PathAI представить дані, розроблені у співпраці з Novo Nordisk, які показують, що оцінка гістології печінки була загалом узгодженою серед патологів та оцінка ML у пацієнтів із цирозом NASH. «Порівняння впливу семаглутиду на гістологію печінки у пацієнтів із цирозом неалкогольного стеатогепатиту між оцінкою моделі машинного навчання та оцінкою патологоанатома»,  вказує на те, що аналіз ML, проведений PathAI, виявив значно менше тих, хто відповів на плацебо, ніж оцінка патологоанатомів, підтверджуючи раніше повідомлені спостереження та надаючи додаткові докази того, що методи ML можуть точніше фіксувати відповідь на лікування під час клінічних випробувань NASH.

PathAI продовжує розвивати дослідження NASH, щоб підтримати довгострокову потребу в більш детальній оцінці біопсії печінки. Презентація нового методу в " Кількісна мультимодальна візуалізація анізотропії дає можливість машинного навчання прогнозувати стадію фіброзу CRN NASH без анотації вручну “, PathAI розглядає варіації ручного патологічного визначення стадії фіброзу при НАСГ, використовуючи кількісну багатомодельну візуалізацію анізотропії (QMAI) фіброзу, щоб забезпечити неупереджені анотації для навчання моделей для прогнозування стадії фіброзу CRN НАСГ в інших ділянках тканини. Порівнюючи ефективність моделі з оцінкою патологоанатома, ці моделі передбачили стадію фіброзу CRN з точністю, порівнянною з моделями, навченими патологоанатомом, анотуючим МТ-забарвлені зрізи тканини.

BlogInnovazione.it

​