4 статей
В статье представлен оптимизированный вариант сетей Omni-Dimensional Dynamic Convolution (ODConv) для анализа гистопатологических изображений. Метод позволяет более гибко извлекать признаки из тканей с высокой морфологической гетерогенностью, демонстрируя высокую эффективность в диагностике нейродегенеративных и метаболических заболеваний скелетных мышц.
Исследование посвящено решению критической проблемы воспроизводимости иммуногистохимического (ИГХ) анализа опухолевых тканей при сравнении результатов из разных лабораторий. Авторы протестировали технологию внутрислайдной калибровки, которая использует шкалу концентрации от 0 до 100% с применением первичных суррогатных и вторичных антител для создания стандартизированной кривой осаждения DAB. В ходе эксперимента проводился анализ реакций p53 в биоптатах глиобластомы (GB, IDH-wildtype), выполненный двумя независимыми патологоанатомическими отделениями с последующей цифровизацией при 40-кратном увеличении. Методология включала извлечение признаков интенсивности и текстуры с помощью пакета EBImage в R, а также применение алгоритмов снижения размерности UMAP и кластеризации DBSCAN. Результаты показали, что без калибровки наблюдались значительные различия в паттернах кластеризации интенсивности и текстуры между лабораториями. Однако применение внутрислайдной калибровки в сочетании с полиномиальной регрессией позволило гармонизировать данные примерно на 90%. Данная технология играет ключевую роль в вычислительной патологии, обеспечивая объективность диагностических оценок и поддержку принятия решений в нейроонкологии на основе данных.
Авторы предлагают стандартизированную иерархическую модель для описания данных в вычислительной патологии, устраняя путаницу между биологическими единицами, лабораторными препаратами и цифровыми данными. Внедрение этого фреймворка на основе стандарта DICOM позволит повысить воспроизводимость исследований и упростить внедрение ИИ-моделей в клиническую практику.
Статья представляет собой комплексный обзор использования цифровой патологии и ИИ-ориентированных рабочих процессов в клинических испытаниях. Рассматриваются преимущества внедрения цифровой патологии, практические применения ИИ и вычислительной патологии, а также регуляторные аспекты. Описывается интеграция геномики, ИИ, анализа изображений и радиологии для улучшения результатов клинических испытаний.
