XiaoMi-AI文件搜索系统
World File Search System病理切片
基于人工智能的 NSCLC 中 ALK 和 ROS1 融合检测...
肺癌是癌症相关死亡的主要原因，每年全球约有 176 万人死于肺癌。间变性淋巴瘤激酶 ( ALK ) 和 c-ROS 致癌基因 1 ( ROS1 ) 基因融合是非小细胞肺癌 (NSCLC) 中公认的关键因素。尽管它们的发生频率相对较低，但它们的检测对于治疗决策和靶向治疗的实施至关重要。用于检测它们的公认方法是免疫组织化学 (IHC) 和荧光原位杂交 (FISH) 检测，以及基于 DNA 和 RNA 的测序检测。在这里，我们提出了一种基于图像的解决方案，可直接从苏木精和伊红 (H&E) 染色的病理切片图像进行分子分析。
肾脏病理学中的人工智能
肾活检病理是诊断大多数肾脏疾病的重要金标准。随着肾脏疾病发病率的上升，肾脏病理学家的缺乏和分布不平衡，迫切需要一种新的肾脏病理诊断模型。人工智能 (AI) 的进步以及病理切片诊断的日益数字化，是满足对肾脏病理更准确检测、分类和预测结果需求的有希望的方法。AI 为包括肾脏病理学在内的各种临床应用做出了重大贡献。深度学习是 AI 的一个子领域，它具有高度灵活性并支持自动特征提取，越来越多地应用于病理学的多个领域。在这篇叙述性综述中，我们首先对 AI 方法进行一般性描述，然后讨论 AI 在肾脏病理学领域的当前和未来应用。涵盖诊断和预测预后应用，强调肾脏病理图像中的 AI、预测模型和肾脏病理中的 3D。最后，我们概述了在肾脏病理学中实施 AI 平台所面临的挑战，并提供了我们对这些平台如何在该领域发生变化的看法。
人工智能在早期癌症诊断中的作用
摘要：提高早期癌症确诊患者比例是世界卫生组织的首要任务。在许多肿瘤群体中，筛查计划已导致生存率提高，但患者选择和风险分层是关键挑战。此外，人们担心诊断人员有限，特别是在 COVID-19 大流行的情况下，这给病理学和放射学服务带来了压力。在本综述中，我们讨论了人工智能算法如何帮助临床医生 (1) 筛查有癌症风险的无症状患者，(2) 调查和分类有症状的患者，以及 (3) 更有效地诊断癌症复发。我们概述了主要的人工智能方法，包括逻辑回归等历史模型以及深度学习和神经网络，并重点介绍了它们的早期诊断应用。许多数据类型适合计算分析，包括电子医疗记录、诊断图像、病理切片和外周血，我们提供了如何利用这些数据诊断癌症的示例。我们还讨论了人工智能算法的潜在临床意义，包括目前临床实践中使用的模型概述。最后，我们讨论了潜在的局限性和缺陷，包括道德问题、资源需求、数据安全和报告标准。
人工智能在产科的应用
随着 IBM Watson Health 的出现，医疗人工智能 (AI) 开始受到关注，并在各个领域迅速发展，改进和应用 AI 到临床实践的努力比以往任何时候都更加活跃。特别是，由于大数据的积累，使用 AI 的技术正在许多领域实现商业化，尤其是使用人工神经网络 (ANN) 分析医学图像的深度学习已被认为是最接近临床应用的技术。机器学习是 AI 的一种基本方法，它使用数据、从数据中学习并自行做出决策或预测；然而，机器学习需要一些指导。深度学习是机器学习的一个子类型，通过深度学习，ANN 本身可以判断预测的准确性 [1]。使用深度学习的 AI 应用已经超出了计算机断层扫描、磁共振成像 (MRI)、超声检查 (US) 和病理切片的范围，包括使用内窥镜检查（包括视觉和肠道图像）诊断或确定疾病严重程度 [2–5]。不同的公司一直在开发和商业化基于 AI 的视频平台。本综述的目的是介绍产科领域正在研究和开发的人工智能技术。
癌症医学领域的开创性进展
摘要 本文探讨了人工智能 (AI) 如何改变癌症医学领域。它分为九个主要部分，说明了人工智能对癌症护理不同方面的深远影响。从疾病的早期阶段开始，人工智能展示了它如何通过快速准确地分析医学影像、病理切片和基因数据来改变传统的诊断方法。然后，本文进入个性化癌症治疗时代，重点介绍了人工智能如何根据个人基因和分子特征帮助定制治疗。最后，本文讨论了由人工智能集成驱动的医疗保健智能革命，强调了人工智能对诊断精度、治疗优化和资源分配的影响。此外，本文还深入探讨了人工智能如何在诊断和治疗之外融入医疗保健，包括预测模型、持续监测和治疗后护理等领域。人工智能有能力通过改进当前实践和促进临床研究、诊断方式和治疗计划的创新来彻底改变癌症医学。本文强调了人工智能创造的革命性边界，包括液体活检、虚拟肿瘤板和加快药物发现过程。该叙述全面概述了人工智能在癌症治疗领域的变革历程，并深入了解了其当前的影响以及未来的光明前景。
边界
肿瘤出芽被认为是癌细胞活动的标志，是肿瘤转移的第一步。本研究旨在通过对直肠癌出芽病理图像训练基于区域的Faster R-CNN，建立直肠癌出芽病理自动诊断平台。选取青岛大学附属医院2015年1月至2017年1月236例直肠癌患者术后病理切片图像进行分析，使用Label图像软件标记肿瘤部位，利用Faster R-CNN对学习集图像进行训练，建立肿瘤出芽病理分析自动诊断平台。使用测试集图像验证学习结果。通过受试者工作特征（ROC）曲线对诊断平台进行评估。通过对肿瘤出芽病理图像进行训练，初步建立了直肠癌出芽病理自动诊断平台。对训练集中结节类别的准确率和召回率绘制准确率-召回率曲线，曲线下面积=0.7414，说明Faster R-CNN的训练是有效的；在验证集中验证ROC曲线下面积为0.88，说明建立的人工智能平台在肿瘤出芽病理诊断中表现良好。建立的用于直肠癌肿瘤出芽病理诊断的Faster R-CNN深度神经网络平台可以帮助病理医生做出更高效、准确的病理诊断。
通过肿瘤了解乳头状甲状腺癌的免疫表型...
标准治疗方案为甲状腺乳头状癌 (PTC) 提供了良好的预后；然而，大约 10% 的病例是晚期 PTC，导致 5 年生存率不到 50%。了解肿瘤微环境对于了解癌症进展和研究治疗的潜在生物标志物（例如免疫疗法）至关重要。我们的研究重点是肿瘤浸润淋巴细胞 (TIL)，它们是抗肿瘤免疫的主要效应物，与免疫疗法的机制有关。使用人工智能模型，我们分析了 Cancer Genome Atlas PTC 队列病理切片中肿瘤内和肿瘤周围 TIL 的密度。根据 TIL 的空间分布将肿瘤分为三种免疫表型 (IP)：免疫沙漠 (48%)、免疫排除 (34%) 和发炎 (18%)。免疫荒漠型 IP 主要以 RAS 突变、甲状腺分化评分高和抗肿瘤免疫反应低为特征。免疫排斥型 IP 主要由 BRAF V600E 突变肿瘤组成，淋巴结转移率较高。发炎型 IP 以高抗肿瘤免疫反应为特征，表现为高细胞溶解评分、免疫相关细胞浸润、免疫调节分子（包括免疫治疗靶分子）表达和免疫相关通路富集。本研究首次通过基于组织的方法研究 PTC 中 TIL 的 IP 分类。每个 IP 都有独特的免疫和基因组特征。有必要进一步研究以评估 IP 分类对接受免疫治疗的晚期 PTC 患者的预测价值。内分泌相关癌症 (2023) 30 , e230110