Künstliche Intelligenz (KI) unterstützt die Erkennung von FGFR3-Veränderungen bei Blasenkrebs anhand von gescannten H&E-Schnitten (Whole Slide Images, WSI)
Paige entwickelte ein effektives KI-System zur Erkennung von Phänotypen, die mit FGFR3-Anomalien in Verbindung stehen und für FGFR-Inhibitoren in Frage kommen. Dieses System kann im Vergleich zu bestehenden Tests Kosten- und Zeiteinsparungen beim Screening von Blasenkarzinomen für zusätzliche diagnostische Tests ermöglichen.
Künstliche Intelligenz (KI) Bildanalyse für chromosomale Instabilität (CIN) bei primärem und metastasiertem Brustkrebs (BC)
CIN-Maße liefern phänotypische Merkmale, die durch AI-Analyse von H&E WSI in primären und metastasierten BCs zuverlässig identifiziert werden können. Die Stratifizierung des BC-Subtyps war im Hinblick auf die AUC robust und bei primärem BC leichter nachweisbar als bei metastasiertem BC. Diese Studie bildet die Grundlage für die Entwicklung von KI-basierten Instrumenten zur Erkennung von CIN nicht nur bei Brustkrebs, sondern bei allen Krebsarten, und bietet die Möglichkeit, CIN in klinischen Studien umfassend zu testen.
Künstliche Intelligenz (KI) unterstützt die Erkennung von Mikrosatelliteninstabilität und Mismatch-Repair-Defizienz (MSI-H dMMR) in verschiedenen Tumorarten anhand von H&E-Schnitten auf Objektträgerbildern (WSI)
Paige trainierte einen KI-gestützten digitalen Pathologietest für MSI-H/dMMR aus WSIs von H&E-gefärbten Schnitten in CRC (AUC 0,939) und GC (AUC 0,905). Die Validierung in CRC und GC aus TCGA- und PAIP-Datensätzen bestätigte die Verallgemeinerung auf ungesehene externe Daten. Diese Ergebnisse lassen sich gut mit früheren digitalen Tests für MSI-H bei CRC und GC vergleichen.
Das Leseparadigma: Wie die Reihenfolge und die Präsentation von KI-Ergebnissen für Pathologen die Endpunkte und Ergebnisse beeinflussen
Ein Deep Learning-Algorithmus der künstlichen Intelligenz hilft Pathologen, die diagnostische Genauigkeit und Effizienz bei der Erkennung von Lymphknotenmetastasen bei Brustkrebspatientinnen zu verbessern
Auf Deep Learning basierende Bewertung der geringen HER2-Expression auf digitalen H&E-Ganzkörperaufnahmen von Brustkrebs
Computergestützte Hochdurchsatz-Bewertung klinisch relevanter genetischer Phänotypen von Prostatakrebs durch KI-Analyse von H&E-Ganzkörperaufnahmen
Oakley, J., Goldfinger, MH., Millar, EKA., Rothrock, B., Lee, MCH., Wang YK., van Eck, A., Trlifaj Tydilitatova, L., Burza, M., Kunz, J., Sue, J., Stefanelli, J., Retamero, J., Hamilton, P., Fuchs, TJ., Klimstra, D.
Ein KI-gesteuertes computergestütztes Biomarkermodell aus H&E-Objektträgern erkennt bei immunhistochemisch HER2-negativem Brustkrebs Fälle mit niedrigen HER2-Konzentrationen
Marra A, Goldfinger M, Millar E, Hanna M, Rothrock B, Lee M, Wang Y, van Eck A, Trlifaj Tydlitatova L, Sue J, Wen Y, Stefanelli J, Retamero J, Hamilton P, Fuchs T, Klimstra D, Chandarlapaty S, Reis-Filho J
Ein auf künstlicher Intelligenz basierender Prädiktor für biallelische CDH1-Mutationen und invasive lobuläre Karzinome
Jorge S. Reis-Filho, Fresia Pareja, Fatemeh Derakhshan, David N. Brown
Subtypisierung invasiver Karzinome und Hochrisikoläsionen für die auf maschinellem Lernen basierende Brustpathologie
Matthew G Hanna, MD, Patricia Raciti, MD, Alican Bozkurt, PhD, Ran Godrich, MS
