从零开始完成一个病理AI课题需要执行的25个步骤|个人观点·24-10-28
实际操作1–2周,总计4–12周这一部分是最关键的,因为这一步直接决定了后续的工作有无意义。我的推文中,往往开头就会介绍这篇文章搭建了一个什么样的模型,解决了一个什么样的临床问题。我们可以预测复发风险,也可以预测转移风险,更常见的,我们还可以预测预后,提取新的生物标志物等等。
Nature Medicine病理AI汇总|CONCH:病理图像分析的零样本学习模型·顶刊精析·24-10-30
最近在整理24年发表在Nature Medicine上的病理AI文章,简单列了一个表。接下来我将按照先后顺序,系统的把这13篇文献分析完。其中底色做了填充的,代表商业公司在本论文中占据了一作或通讯。本期推文介绍的模型是CONCH(CONtrastive learning from Captions
顶尖高校/医院纷纷布局的AI+三级淋巴结,能否成为后续的研究热点?|文献速递·24-10-15
这篇文章是关于一种用于检测胰腺肿瘤病理图像中的三级淋巴结构(TLSs)的弱监督分割网络。TLSs的存在是胰腺肿瘤预后的重要指标,因此,在胰腺肿瘤的诊断和治疗中,对TLSs的检测起着至关重要的作用。然而,基于深度学习的全监督检测算法通常需要大量的手动标注,这既耗时又费力。为了解决这个问题,文章提出了一
Nat Med|机器学习+高通量筛选,发现用于治疗胶质母细胞瘤的神经活性药物|顶刊精析·24-09-23
今日顶刊:Nat Med这篇文章是2024-09-20发表在上的一篇研究型论文,标题为“High-throughput identification of repurposable neuroactive drugs with potent anti-glioblastoma activity”。先
保姆级教程,带你复现病理AI的经典模型CLAM(一)|项目复现·24-08-19
CLAM(Clustering-constrained Attention Multiple Instance Learning)是一种基于深度学习的弱监督方法,用于高效和弱监督的全切片级分析。自动分割:CLAM首先对全切片图像进行自动分割,识别出组织区域。这通常涉及到将图像转换到HSV颜色空间,并
CLAM:病理AI发展里程碑,建议每一个研究病理AI的人都了解的文章|24-08-16
这篇文章提出了一种名为CLAM(Clustering-constrained-attention multiple-instance learning)的高通量深度学习框架,用于解决全幅切片图像(WSIs)计算病理学中的关键挑战。一作&通讯作者单位Ming Y. Lu研究背景问题:数字病理学和人工智
Nat Cancer综述|人工智能(AI)在数字组织病理学图像分析中的应用现状与未来趋势|顶刊精析·24-08-18
今天分享的这篇文章发表于《Nat Cancer》,目前IF=23.5。这篇题为的综述文章探讨了人工智能(AI)在数字组织病理学图像分析中的应用,特别是在癌症研究和临床肿瘤学中的潜在影响。第一作者和通讯作者,以及他们对应的单位列表这篇综述文章详细介绍了AI在组织病理学中的应用现状及其未来潜力,强调了A
病理AI领域的常用开源工具汇总
ImageJ是一个免费的开源图像处理软件,由美国国家卫生研究院(NIH)开发。它基于Java语言,因此具有良好的跨平台兼容性,可以在Windows、Mac OS、Linux等操作系统上运行。ImageJ不仅能够处理常规的图像编辑和分析任务,还支持复杂的图像分析功能,如细胞计数、荧光成像分析等。此外,