详细内容或原文请订阅后点击阅览
使用 H-optimus-0 加速 AWS 上的数字病理幻灯片注释工作流程
在本文中，我们展示了如何使用 H-optimus-0 执行两个常见的数字病理学任务：用于详细组织检查的补丁级分析和用于更广泛诊断评估的幻灯片级分析。通过实际示例，我们向您展示了如何在优化计算资源的同时将此 FM 适应这些特定用例。
来源:亚马逊云科技 _机器学习数字病理学对于癌症的诊断和治疗至关重要，在医疗保健服务和药物研发中发挥着关键作用。病理学传统上严重依赖病理学家的专业知识和经验对组织样本进行细致检查以识别异常。然而，病例的复杂性和数量不断增加，需要先进的工具来协助病理学家做出更快、更准确的诊断。
病理切片的数字化，称为全切片图像 (WSI)，催生了计算病理学的新领域。通过将人工智能应用于这些数字化的 WSI，研究人员正在努力发掘新见解并增强当前的注释工作流程。计算病理学领域的一个关键进步是大规模深度神经网络架构的出现，称为基础模型 (FM)。这些模型使用自监督学习算法在广泛的数据集上进行训练，使它们能够捕获病理图像中固有的全面视觉表示和模式。 FM 的强大之处在于它们能够学习稳健且可推广的数据嵌入，这些数据嵌入可以有效地传输和微调，以用于各种下游任务，从自动疾病检测和组织表征到定量生物标志物分析和病理亚型。
解锁新见解并增强当前注释工作流程最近，法国初创公司 Bioptimus 宣布发布一种新的病理学愿景 FM：H-optimus-0，这是世界上最大的公开可用的病理学 FM。 H-optimus-0 拥有 11 亿个参数，在专有数据集上进行训练，该数据集包含从 500,000 多张组织病理学幻灯片中提取的数亿张图像。 这为从识别癌细胞到检测肿瘤中的基因异常等关键医疗诊断任务中的最先进性能树立了新的标杆。
Bioptimus