展开

关键词

腾讯AI Lab研发「智能显微镜」 抢先布局病理分析领域

现在进入病理分析阶段,为公司打造全栈式AI+医疗解决方案提供了坚实基础。 智能显微镜技术模块介绍 病理AI分析是未来的研究发展方向 病理分析是诊断、预后分析和指导癌症治疗的黄金标准。 将病理切片数字化,并用AI算法辅助分析,有助于缓解病理医生不足的状况,是AI+医疗的未来趋势。 ; 3、病理组学:从病理数据中提取特征,定量化分析及挖掘病理特征和诊疗的关联性。 腾讯医疗AI产品落地情况 腾讯觅影已与国内100多家顶级三甲医院达成合作,通过共建人工智能联合医学实验室的形式,推进AI在医疗领域的研究和应用。

88331

AI技术让病理检测更“聪明”

大数据产业创新服务媒体 ——聚焦数据 · 改变商业 ---- 被人工智能技术加持的病理学诊断,将会为中国医学界带来怎样的福音? 为回答大众疑问、切准行业痛点,阿里云天池联合英特尔举办了“数字视觉”挑战赛-宫颈癌风险智能诊断,以赛事强化人工智能病理检测的深度结合。 这项比赛可以有效落实人工智能病理筛查深度融合的应用落地,由点到面地驱动国内人工智能医疗产业长足发展。 本次大赛由阿里云计算有限公司和英特尔(中国)有限公司主办,北京协和医院指导。 中华医学会病理学分会前任主任委员、四川大学华西医院病理科教授步宏在主题为《远程病理人工智能的再思考》的远程演讲时就提出,病理AI一定要在使用中完善与成熟,要建造信息共享平台,用灵活的机制与运作打破病理人工智能的研发孤岛 没有病理医生参与的病理AI最后也很难获得商业上的成功——做病理AI只强调人工智能是不够的,病理是非常复杂的学科,不能拘泥于切片扫描与标注、深度学习等技术,要把诊断专家的经验与数字扫描分析结合起来。

30631
  • 广告
    关闭

    90+款云产品免费体验

    提供包括云服务器,云数据库在内的90+款云计算产品。打造一站式的云产品试用服务,助力开发者和企业零门槛上云。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    单细胞切病理 ||技术路径

    欢迎来到《单细胞切病理·2022五一系列》。 医学需要回答的第一个问题就是:什么是正常的,什么是不正常的?然后再回答不正常的原因,也就是病理学。 今天,我们就来看看疾病的病理学诊断和研究的方法以及新兴的实践,最后我们讨论单细胞测序技术可能对病理诊断带来哪些新的见解。 在诸多病理学检查技术中,目前的单细胞技术其实可以看做一种新的活检(biopsy)技术,即,活体组织病理学检查。 那么单细胞技术可以回答的基本病理学问题是什么呢? # 主要参考资料 病理学,步宏 李一雷主编,人民卫生出版社,2018 细胞病理学,刘树范 阚秀 主编,中国协和医科大学出版社,2011 医学免疫学,周光炎 主编,科学出版社,2019 Computational-method-for-single-cell-data-analysis

    8520

    单细胞切病理 || 环境与遗传

    单细胞切病理的前两讲里,我们做了讨论了什么是正常,什么是不正常;什么是自己,什么是非己。今天我们讨论病理中的先天和后天以及单细胞技术在这方面的新兴实践。 文章中,对细胞配体受体相互作用和肥胖富集信号通路的分析表明,瘦WAT的免疫调节机制转变为肥胖WAT的炎症网络。这些结果提供了健康人WAT内稳态和炎症回路的详细细胞景观。 病理学作为研究疾病的病因、发病机制、病理变化、结局和转归的医学基础科学,单细胞技术的应用,可以在单细胞水平上解析环境和营养性疾病的起因和机制。 作为遗传物质的载体,打开细胞的世界,也为我们摸清楚遗传病和儿童病的机制和病理变化。 # 主要参考资料 病理学,步宏 李一雷主编,人民卫生出版社,2018 细胞病理学,刘树范 阚秀 主编,中国协和医科大学出版社,2011 医学免疫学,周光炎 主编,科学出版社,2019 Computational-method-for-single-cell-data-analysis

    8630

    独家 | 2019 ICCV 收录论文:基于弱监督学习的病理影像分析框架

    基于弱监督学习的病理影像分析框架 一、研究背景 恶性肿瘤是全球第二大死因,每年导致近千万人死亡。病理报告是肿瘤临床诊断和治疗的“金标准”,是癌症确诊和治疗的基本依据。 为了缓解世界范围内病理医生短缺的现状,人工智能病理诊断成为当今学术研究和工程落地的热点。 CAMEL能够加速数字病理切片的标注过程,推进病理人工智能研究和落地的进程。人工智能病理辅助诊断系统可以帮助医生完成大部分简单、重复的工作,极大提高医生工作效率,减轻医生的工作负担。 对于医疗资源较落后的地区,人工智能还可以提高当地的病理诊断水平。 【参考文献】 [1] Campanella, Gabriele, et al. 徐葳:清华大学交叉信息研究院副教授、助理院长、博士生导师,图灵人工智能研究院副院长,加州大学伯克利分校博士。

    95510

    AI+临床试验检测结果分析|罗氏和百时美施贵宝达成病理学算法合作

    罗氏的数字病理学团队将建立一个成像分析算法,利用人工智能帮助解释测试结果。 同时,第二个算法将基于PathAI已导入罗氏数字病理学开放环境的现有算法之一建立。 --罗氏诊断病理学客户区负责人 Jill German 基于人工智能病理学成像工具可以帮助支持临床试验以研究靶向治疗方案。 --BMS转化科学和诊断副总裁 Sarah Hersey 作为病理学实验室解决方案的领先供应商,罗氏正在提供从组织染色到生成高质量数字图像的端到端数字病理学解决方案,这些图像可以使用自动化临床图像分析算法进行可靠评估 全玻片成像与基于现代人工智能的图像分析工具相结合,有可能改变病理学的实践。使用人工智能和深度学习方法来解释数字病理学中的整个图像,使病理学家能够从组织样本中获得新颖而有意义的诊断见解。 基于AI的图像分析使定量任务自动化,并能够对有时难以手动解释的信息丰富的组织图像进行快速、可重复的评估。基于人工智能的图像分析揭示了人眼看不见的方面,并降低了人为错误的风险。

    9410

    组织病理学的生存模型综述

    组织病理学图像的机器学习算法正变得越来越复杂。从检测和分类细胞和组织,到预测生物标志物和患者预后。任务的复杂程度依赖于病理学家对组织中特定特征的注释。但生物标记物和结果更为复杂。 病理学家对分级的观察也具有很高的观察者间差异。 结果预测模型的目标是根据风险对患者进行分层。本文将概述使用深度学习的组织病理学图像结果预测模型的关键组成部分。 虽然病理学家可以在载玻片上标注肿瘤区域,但他们不能准确地识别哪些切片对模型有用——这是模型的工作。一些研究需要病理学家对肿瘤区域进行注释,而深度学习模型只使用这些区域。 随机的切片 Zhu等人让病理学家对每个肿瘤内的图像区域进行注释。然后,他们从每个ROI中随机抽取一个大的切片,训练一个CNN生存模型[Zhu2016]。 病理学家或机器学习模型都可以将组织划分为一组类别,以便可以对每个类别进行适当建模。

    32240

    单细胞切病理 || 免疫与炎症

    在这一期的单细胞切病理,我们就来谈一下这‘自己’和‘非己’的学问:免疫与炎症。 而在我们病理学概念中,炎症,也只有当生物进化到具有血管时,才能发生以血管反应为中心环节,同时又保留吞噬和清除功能的复杂而完善的炎症反应。 在炎症反应中我们可以看到的单细胞数据分析方法有: 细胞增殖/分化:当机体受到轻微损伤,血液中的中性粒细胞就已足够应付,但损伤较重时,这些量就不够了,这时骨髓中存有的中性粒细胞前体就开始分化成熟,释放进入血液 作者在分子水平上定义了人类炎症性皮肤病的主要分类,并描述了一种定量方法来分类不确定的病理炎症实例。 # 主要参考资料 病理学,步宏 李一雷主编,人民卫生出版社,2018 细胞病理学,刘树范 阚秀 主编,中国协和医科大学出版社,2011 医学免疫学,周光炎 主编,科学出版社,2019 Computational-method-for-single-cell-data-analysis

    13220

    院长日记 | AI人工智能会取代医生吗?

    “人类完败……诊断乳腺癌,30小时病理分析竟不如谷歌AI准确” 近日,来自谷歌、谷歌大脑与Verily公司的科学家们开发出了一款能用来诊断乳腺癌的人工智能,它的表现甚至超过了专业的病理学家。 随后,他们提供了许多肿瘤组织与正常组织的病理切片,供人工智能学习。 科学家们邀请了一位病理学家,并让他与人工智能进行一场比赛。这名病理学家花了整整30个小时,仔细分析了130张切片,并给出了他的诊断结果。 这一基于深度学习的人工智能医学影像分析系统已经进行了数以千计的心脏案例的数据验证,该算法产生的结果与经验丰富的临床医生的分析结果结果是不相上下的。 据悉,这款人工智能心脏MRI医学影像分析系统不但得到了FDA510(k)的批准,还得到了欧洲的CE认证和批准,这标志着该软件将被允许用于临床。

    71960

    开刊词 ||单细胞切病理

    在开始用海量单细胞技术来再一次审视病理学之前,我们需要简单回顾一下病理学的概念: 病理学是研究人体疾病发生的原因、发生机制、发展规律以及疾病过程中机体的形态结构、功能代谢变化和病变转归的一门基础医学科学 病理学一直被视为是基础医学与临床医学之间的“桥梁学科”,充分表明了它在医学中不可替代的重要作用,这是由病理学的性质和任务所决定的。 国内细胞病理学教材是中国协和医科大学出版社出版的《细胞病理学》,从本书丰富多彩的插图中我们可以体会到: 现阶段的细胞病理学主要基于显微技术 现阶段的临床细胞学检查程序:采集->制片->固定->染色->封片 在海量单细胞视角下,病理学,特别是细胞病理学将会有哪些新的变化呢? 拓展病理学研究的组织类型 多组学层面的细胞图谱 细胞类型的增加 数据驱动的,数据分析结合人工阅片 更加关注机理与分子表征(Pathway) 分析方法的的变化,定义新的诊断指标 空间组学对以切片技术为主的研究手段的拓展

    10650

    单细胞切病理 ||疾病转归

    欢迎来到《单细胞切病理·2022五一系列》。 当我们翻开医学教材,同时被两股相互冲突的力量拉扯着——健康与疾病。人体,这个灵魂的庄严殿堂,瞬间成了正常与非常、自己与非己、先天与后天的擂台。 跋 好了,下面来讲一下咱们《单细胞切病理·2022五一系列》的初衷和码字过程。 开始是《病理学》教材,后来是《细胞病理学》,后者是中国协和医科大学出版社2011出版的,至今有十年了。 病理学是基础医学和临床医学的桥梁,用单细胞技术切病理,是单细胞技术应用场景自我拓展的发展规律,也是细胞病理学和分子病理学发展不断融合的结果。 伴随着2022年五一假期的结束,<单细胞切病理 · 2022五一系列>也要说声再见啦~ 最后,推荐大家看一下马丁·塞利格曼的积极心理学套装,可以作为家庭常备的哟^_^ # 主要参考资料 病理学,步宏 李一雷主编

    9020

    BMS|释放AI驱动的病理学在药物开发中的力量

    我们的DP团队建立了处理、加工和分析DP图像的基础设施,并推动了基于人工智能的自动图像分析的开发和部署。 MM:你们的团队是在整个开发过程中工作,还是在特定方面工作? 让我们退一步讲,你如何描述或定义人工智能驱动的数字病理学? JS:人工智能在DP中的应用涉及训练计算机和算法,以符合人类病理学家的方式来分析病理切片的扫描。 人工智能计算技术通常比人类病理学家的读数更敏感、更准确、更精确、更一致。 PD-L1是一个有趣的例子,它改善了人工病理学的性能。在传统病理学之外,DP有哪些新兴的使用案例? JS:通过人工智能分析玻片图像,我们可以提取比人类病理学家可行的更多特征。 但通过人工智能方法,我们可以更进一步,同时快速分析多类空间关系。 一个这样的用例研究了受体和配体之间的空间关系。LAG3是一种倾向于在衰竭的T细胞表面表达的蛋白质。

    9510

    深度学习技术将乳癌诊断的误差率降低 85%

    这支来自 BIDMC 的研究团队出现戏剧性的结果,病理学家以采用 GPU 技术的深度学习方法进行分析时,将人类在诊断方面的误差率降低 85%。 结合病理学与人工智能 这支由病理学助理教授暨 BIDMC 癌症研究所生物信息部门主任 Andrew Beck 领军的研究团队,运用人工智能领域的最新进展以协助病理学家解决这些棘手的问题。 这也证明了团队的假设:人类的分析能力加上深度学习结果,达到 99.5% 的成功率,意指人类病理学家搭配人工智能系统能提高分析能力,象征在辨识和治疗癌症方面出现重大进展。 这支研究团队不断增进其算法,近期在分析评估组的精准度上达到 97.1% 的水平,超越人类病理学家的表现。 ? “这项成果极有意义,未来我们会看到更多人工智能结合传统病理学的例子,让诊断结果更为精确、标准化和具有预测性。”Beck 说。

    489100

    人工智能技术分析

    现在人工智能提的非常多,那么什么才算真正的人工智能人工智能技术又和其他技术有何不同之处?本文简要分析一下近年来的人工智能技术。 ? 所谓人工智能,就需要有人类的智能体现。 因此,深度神经网络技术在CV和NLP领域上取得的巨大进展是人工智能技术普及的基础,也使得机器越来越智能,越来越接近人的智能。

    29810

    是的,人工智能就是分析

    关于人工智能究竟是什么,以及人工智能的学科应该如何分类,似乎存在一些混淆。人工智能分析学的一种形式,还是一门与分析学不同的全新学科? 我坚信人工智能与预测分析和数据科学的关系比任何其他学科都更为密切甚至有人可能会认为人工智能是下一代的预测分析。此外,人工智能经常被用于需要将分析过程付诸实施的情况。 因此,在这个意义上,人工智能也常常推动规定性、可操作性分析的发展。如果说人工智能不是一种分析方式,那将是一个错误。 人工智能与预测分析的关系 让我们回顾一些帮助定义预测分析的基本事实,然后看看人工智能如何很好地适应这些界限。在它的核心,预测分析当然是预测某种东西的。谁会买?某些设备会坏吗?哪种价格能使利润较大化? 如果你认识到并接受人工智能作为一种分析形式,然后让你的分析组织领导你的任务,你的成功人工智能项目的旅程就会容易得多。不要认为人工智能是完全不同的东西而造成混乱和冗余。 END.

    36640

    Nature Medicine | 基于群体学习的分散式人工智能在癌症组织病理学中的应用

    作者表明,使用SL训练的人工智能(AI)模型可以直接从结直肠癌H&E染色的病理切片上预测BRAF突变状态和微卫星不稳定性。 未来,SL可用于训练分布式AI模型,用于任何组织病理学图像分析任务,从而无需数据传输。 1 简介 人工智能有望在未来10年内对医疗实践领域产生深远影响。 尤其是,医学影像已经被人工智能解决方案的应用所改变。数字化组织病理学图像包含可以被AI提取的大量临床相关信息。2018年,一项具有里程碑意义的研究首次证明了这项技术在肺癌治疗中的原理。 在医疗健康数据分析中,SL在训练多中心AI模型方面实现了平等,并创造了强大的协作动力,而无需将数据或模型集中在一个地方。这可能会促进多方之间的协作,从而产生更强大、更可靠的人工智能系统。 总之,这些数据表明,群体训练的模型始终优于本地模型,并且在病理图像分析中与集中式模型的表现相当。

    13510

    腾讯AI Lab姚建华:数字病理+AI将成为未来趋势 丨CCF-GAIR 2019

    但是对于病理分析而言,病理的图像尺寸非常大,对计算机的处理性能提出挑战,此外,医生经常要识别病理图像中非常细微组织的变化。 第二,病理组学,从病理中提取对诊疗有用的特征,进行定量化分析,发现病理特征和诊疗之间的关联性。 病理数据需要专家和医生标注,一张高分辨率的图像有几万乘几万,也就是上亿的像素,计算机处理起来有很大挑战。 另外,对于病理分析,我们经常要识别病理图像中非常细微组织的变化。 从病理中提取对诊疗有用的特征,进行定量化分析,发现病理特征和诊疗之间的关联性。 免疫组化是近年来发展起来的非常重要的病理分析方法。实际上是利用抗原、抗体特异性结合的原理,通过化学反应,用附着在抗体上的染色剂来确定细胞和组织中的抗原,比如蛋白质、多肽的成分。

    1.3K30

    Drug Target Review | 超越表型:基于AI更好地了解疾病

    人工智能(AI)在R&D中具有广泛的应用,包括在疾病研究或疾病理解方面。例如,机器学习可以系统地分析数据以找到数据点之间的链接,然后可以使用基于AI的推理来推断以前未知的连接。 Bendtsen声称AI可以减少人类偏见在疾病理解过程中的影响,因为AI“对于分析各种数据源采取了一种更加不可知论和整体的方法。” 使用AI的一个例子是阿斯利康对慢性肾脏疾病的研究。 Bendtsen解释说,人工智能被用来筛选大量科学文献,以确定新的联系和可能的靶标。随着研究人员现在可获得的大量信息,人工智能可以协助分析成千上万的数据点,揭示新的假设并生成更大的可能药物靶标库。 因此,疾病理解的一个关键方面是对疾病进行分组,这可以使数据以更加特定和完善的方式进行分析。Bendtsen说,有很多方法可以做到这一点,这就是为什么可以将AI用于进一步分析的原因。 人工智能对疾病理解的挑战 尽管AI在疾病理解方面有好处,但并非没有挑战。Bendtsen说,由于信息量巨大,因此AI的最大困难在于处理数据。

    22240

    动态 | Google医疗AI成果:增强现实显微镜可实时分析病理切片

    如何将微观组织进行数字化展示成了深度学习技术在病理学科大规模应用的关键挑战。 然而,目前为止,用复合光学显微镜直接观察组织仍然是病理学家诊断疾病的主要手段,如何将微观组织进行数字化展示成了深度学习技术在病理学科大规模应用的关键挑战。 该平台由一个经过改良的光学显微镜组成,能够对图像进行实时分析并直接在用户的视野中显示机器学习算法的分析结果。 值得一提的是,只需使用低成本的、现成的元器件,就可以将这款增强现实显微镜改造成世界各地医院和诊所中常见的普通光学显微镜,而且无需对数字系统进行全面升级就能进行组织分析。 此外,在即将采用数字病理工作流程的医院,增强现实显微镜也可以与数字工作流程结合使用。光学显微镜已经在很多行业已经证明了其价值,但在病理学领域作用有限。

    30810

    乳腺癌单细胞水平的病理特征研究

    从此单细胞测序飞速发展,扩大了我们对细胞异质性及其对细胞功能的影响的认识,我们单细胞天地也是这两年集中火力系统性整理了大量单细胞数据分析经验。 乳腺癌是单细胞领域文章最多的,列表如下: ? 而“2019年度技术”(Method of the Year 2019)选择了单细胞多组学,可以对单个细胞的基因组、转录组、蛋白质组、代谢组等生物学标志进行多维分析,这个分析难度更高。 我们还在研发阶段,不过看到朋友圈有人分享一个单细胞病理水平的研究,发表在 Nature (20 January 2020),文章标题是:The single-cell pathology landscape 该研究首先利用成像型质谱流式细胞仪同时对35种生物学标志进行量化,从而获得乳腺癌患者肿瘤组织的高维病理学图像,图像识别技术看里面的单细胞各种生物学标志物的测量值。 判断重要的基因 step6: 多种降维算法 step7: 可视化降维结果 step8: 多种聚类算法 step9: 聚类后找每个细胞亚群的标志基因 step10: 继续分类 乳腺癌恶性的上皮细胞和肿瘤微环境分开分析

    31120

    扫码关注腾讯云开发者

    领取腾讯云代金券