Detección asistida por Inteligencia Artificial (IA) de alteraciones del FGFR3 en cáncer de vejiga a partir de imágenes escaneadas de cortes H&E de portaobjetos completos (WSI)
Paige desarrolló un eficaz sistema de IA para detectar fenotipos asociados a anomalías del FGFR3 que pueden ser objetivo de los inhibidores del FGFR. Este sistema puede permitir ahorrar costes y tiempo en comparación con los ensayos existentes para cribar carcinomas de vejiga con vistas a realizar pruebas diagnósticas adicionales.
Inteligencia Artificial (IA) Análisis de imagen para la inestabilidad cromosómica (CIN) en cánceres de mama primarios y metastásicos (BC)
Las medidas de NIC proporcionan características fenotípicas que pueden identificarse de forma sólida mediante el análisis de IA de H&E WSI en CB primarios y metastásicos. La estratificación del subtipo de cáncer de colon fue sólida con respecto a la AUC y más fácilmente detectable en el cáncer de colon primario que en el metastásico. Este estudio sienta las bases para el desarrollo de herramientas basadas en IA para detectar la NIC no sólo en el cáncer de mama, sino en todos los tipos de cáncer, así como un medio para probar la NIC de forma generalizada en los ensayos clínicos.
Detección asistida por Inteligencia Artificial (IA) de la deficiencia de reparación de parches de inestabilidad de microsatélites (MSI-H dMMR) en múltiples tipos de tumores a partir de imágenes de cortes completos (WSI) de H&E
Paige entrenó un ensayo de patología digital asistido por IA para MSI-H/dMMR a partir de WSI de secciones teñidas con H&E en CCR (AUC 0,939) y GC (AUC 0,905). La validación en CCR y CG a partir de los conjuntos de datos TCGA y PAIP confirmó la generalización a datos externos no observados. Estos resultados se comparan favorablemente con ensayos digitales previos para MSI-H en CCR y CG.
El paradigma de la lectura: cómo influyen la secuencia y la presentación de los resultados de la IA a los patólogos en los criterios de valoración y los resultados
Un algoritmo de inteligencia artificial de aprendizaje profundo ayuda a los patólogos a mejorar la precisión y eficiencia diagnóstica en la detección de metástasis en ganglios linfáticos en pacientes con cáncer de mama
Evaluación basada en aprendizaje profundo de la baja expresión de HER2 en imágenes de portaobjetos completos digitales H&E de cáncer de mama
Evaluación computacional de alto rendimiento de fenotipos genéticos de cáncer de próstata clínicamente relevantes mediante el análisis de IA de imágenes de portaobjetos completos de H&E
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.
Un modelo computacional de biomarcadores impulsado por la IA a partir de portaobjetos H&E recupera los casos con bajos niveles de HER2 de los cánceres de mama inmunohistoquímicamente negativos para HER2
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
Un predictor basado en inteligencia artificial de las mutaciones bialélicas de CDH1 y el carcinoma lobular invasivo
Jorge S. Reis-Filho, Fresia Pareja, Fatemeh Derakhshan, David N. Brown
Subtipificación de carcinomas invasivos y lesiones de alto riesgo para la patología mamaria basada en el aprendizaje automático
Dr. Matthew G. Hanna, Dra. Patricia Raciti, Dr. Alican Bozkurt, Dr. Ran Godrich, MS
