ЦИФРОВА ПАТОЛОГІЯ В РОБОТІ МЕДИЧНОЇ ЛАБОРАТОРІЇ. / АНАЛІТИЧНИЙ ОГЛЯД
DOI:
https://doi.org/10.11603/mie.1996-1960.2020.3.11608Анотація
Цифрова патологія є невід'ємним технологічним елементом науково-лабораторного середовища та відіграє важливу роль у сучасній клінічній практиці. Мета огляду полягала в аналізі сучасного стану розвитку цифрової патології, її можливостей та ролі в розвитку патології як невід'ємної складової персоналізованої медицини. Отримання повноцінних віртуальних препаратів полегшило б роботу з зображеннями, надало можливість перегляду та обміну зображень між патологами і фахівцями інших спеціальностей. Розроблення відповідного програмного забезпечення та рішень про зберігання й обмін цифрових зображень визначила також широке використання цифрової патології в освітньому процесі при навчанні цитопатологів, патологоанатомів і молекулярних патологів. Окрім зручних інструментів діагностики, отримання другої думки, проведення мультидисциплінарних консиліумів і безперервного навчання патологів, цифрова патологія скоро стане технологічною вимогою в науковому та лабораторно-діагностичному середовищі. У підсумку, впровадження систем штучного інтелекту у діагностику онкологічної патології свідчить про можливість інтеграції патогістологічних даних із результатами клінічного обстеження, лабораторними показниками, даними радіологічного дослідження та результатами молекулярно-генетичного тестування, що надає змогу для повноцінної діагностики та вибору лікування відповідно до вимог персоналізованої медицини. Водночас підкреслено необхідність створення єдиної професійної мови та багатовимірних класифікацій станів пацієнтів, що підлягають комп'ютерному розпізнаванню.
Посилання
Bilousova L. I., Zhyteneva N. V. (2014). Didakticheskie aspekty ispol'zovaniya tekhnologii vizualizatsii v uchebnom protsesse obshcheobrazovatel'noi shkoly (Didactic aspects using technology of vizualization in educational process of secondary school) // Іnformatsіinі tekhnologii і zasobi navchannya (Information Technologies and Learning Tools), 40 (2). URL: http://journal.iitta.gov.ua/index.php/itlt/ article/view/1017.
Acs B., Hartman J. (2020). Next generation pathology: artificial intelligence enhances histopathology practice. Pathol., 250 (1), 7-8. doi: 10.1002/path.5343.
Al-Quteimat O. M., Amer A. M. (2020). The impact of the COVID-19 pandemic on cancer patients. Am. J. Clin Oncol., 43 (6), 452-455. doi: 10.1097/ COC.0000000000000712.
Leung S. C. Y., Nielsen T. O., Zabaglo L. A., ... Dowsett M. (2019). Analytical validation of a standardised scoring protocol for Ki67 immunohistochemistry on breast cancer excision whole sections: an international multicenter collaboration. Histopathology, 75 (2), 225235. https://doi.org/10.1111/his.13880.
Dlamini Z., Francies F. Z., Hull R., Marima R. (2020). Artificial intelligence (AI) and big data in cancer and precision oncology. Comput. Struct. Biotechnol. J., 18, 2300-2311. doi.org/10.1016/j.csbj.2020.08.019.
Colling R., Pitman H., Oien K., CM-Path AI in Histopathology Working Group, ... Verrill C. (2019). Artificial intelligence in digital pathology: a roadmap to routine use in clinical practice. J. Pathol., 249 (2), 143-150. doi: 10.1002/path.5310.
Coudray N., Ocampo P. S., Sakellaropoulos, T., ... Tsirigos, A. (2018). Classification and mutation prediction from non-small cell lung cancer histopathologyimages using deep learning. Nat. Med., 24, 1559-1567. doi. org/10.1038/s41591-018-0177-5.
Campanella G., Hanna M. G., Geneslaw L., Miraflor A., Werneck V., Silva K., ...Fuchs T. J. (2019). Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med., 25 (8), 1301-1309. doi: 10.1038/s41591-019-0508-1.
Kather J. N., Pearson A. T., Halama N., . Luedde T. (2019). Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat. Med., 25 (7), 1054-1056. doi: 10.1038/ s41591-019-0462-y.
Fuyong Xing, Yuanpu Xie, Hai Su, Fujun Liu, Lin Yang. (2018). Deep learning in microscopy image analysis: a survey. IEEE Trans. Neural Netw. Learn Syst., 29 (10), 4550-4568. doi: 10.1109/TNNLS.2017.2766168.
Esteva A., Kuprel B., Novoa R. A., Ko J., Swetter S. M., Blau H. M., Thrun S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542 (7639), 115-118. doi: 10.1038/nature21056.
Gulshan V., Peng L., Coram M., ... Webster D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316 (22), 2402-2410. doi: 10.1001/jama.2016.17216
Bejnordi B., Veta M., van Diest P., ... Venancio, R. (2017). Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA, 318 (22), 2199-2210. doi:10.1001/jama.2017.14585.
House J. C., Henderson-Jackson E. B., Johnson J. O., .Bui M. M. (2013). Diagnostic digital cytopathology: Are we ready yet? J. Pathol. Inform., 4, 28. doi: 10.4103/2153-3539.120727.
Stalhammar G., Fuentes Martinez N., Lippert M., . Hartman J. (2016). Digital image analysis outperforms manual biomarker assessment in breast cancer. Mod. Pathol., 29 (4), 318-329. doi: 10.1038/ modpathol.2016.34.
Cimadamore A., Lopez-Beltran A., Scarpelli M., Cheng L., Montironi, R. (2020). Digital pathology and COVID-19 and future crises: pathologists can safely diagnose cases from home using a consumer monitor and a mini PC. J. Clin. Pathol., 73 (11), 695-696. doi: 10.1136/jclinpath-2020-206943.
Pantanowitz L., Wiley C. A., Demetris A., ... Parwani, A. V. (2012). Experience with multimodality telepathology at the University of Pittsburgh Medical Center. J. Pathol Inform., 3, 45. doi: 10.4103/2153-3539.104907.
Vigliar E., Cepurnaite R., Alcaraz-Mateos E., ... Troncone G. (2020). Global impact of the COVID-19 pandemic on cytopathology practice: Results from an international survey of laboratories in 23 countries. Cancer Cytopathol. doi: 10.1002!cncy.22373.
Griffin J., Treanor D. (2017). Digital pathology in clinical use: where are we now and what is holding us back? Histopathology, 70 (1), 134-145. doi: 10.1111/ his.12993.
Aeffner F., Zarella M. D., Buchbinder N., ... Bowman D. (2019). Introduction to digital image analysis in whole-slide imaging: a white paper from the digital pathology association. J. Pathol. Inform., 10 (9). doi: 10.4103/jpi.jpi_82_18.
Iaccarino A., Pisapia P., Vigliar E., Vielh P., Troncone G. (2020). Juggling the COVID-19 pandemic: a cytopathologist point of view. Cytopathology. First published: 03 November 2020 doi: 10.111Hcyt.12936.
Meijering E. (2020). A bird's-eye view of deep learning in bioimage analysis. Comput. Struct. Biotechnol. J., 18, 2312-2325. doi:10.1016/j.csbj.2020.08.003.
Niazi M. K. K., Parwani A. V., Gurcan M. N. (2019). Digital pathology and artificial intelligence. Lancet Oncol., 20 (5), e253-e261. doi: 10.1016/S1470-2045(19)30154-8.
Browning L., Colling R., Rakha E., ... Verrill C. (2020). Digital pathology and artificial intelligence will be key to supporting clinical and academic cellular pathology through COVID-19 and future crises: the PathLAKE consortium perspective. J. Clin. Pathol., Published Online First: 03 July 2020. doi: 10.1136І jclinpath-2020-206854.
Girolami I., Parwani A., Barresi V., ... Eccher, A. (2019). The landscape of digital pathology in transplantation: from the beginning to the virtual e-slide. J. Pathol. Inform., 10, 21. doi: 10.4103/jpi.jpi_27_19.
Tizhoosh H. R, Pantanowitz L. (2018). Artificial intelligence and digital pathology: challenges and opportunities. J. Pathol. Inform., 9, 38. doi:10.4103/ jpi.jpi_53_18.
Pantanowitz L., Sharma A., Carter A. B., Kurc T., Sussman A., Saltz J. (2018). Twenty years of digital pathology: an overview of the road travelled, what is on the horizon, and the emergence of vendor-neutral archives. J. Pathol. Inform., 9, 40. doi: 10.4103/jpi. jpi_69_18.
Hanna M. G., Reuter V. E., Ardon O., . Hameed M. (2020). Validation of a digital pathology system including remote review during the COVID-19 pandemic. Mod. Pathol., 33 (11), 2115-2127. doi:10.1038!s41379-020-0601-5.
Andersen L. N., Brugmann A., Lelkaitis G., Nielsen S., Lippert M. F., Vyberg M. (2018). Virtual double staining. A digital approach to immunohistochemical quantification of estrogen receptor protein in breast carcinoma specimens. Appl. Immunohistochem. Mol. Morphol., 26 (9), 620-626. doi: 10.1097І PAI.0000000000000502.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал Медична інформатика та інженерія дозволяє автору (ам) зберігати авторські права без реєстрації.
Журнали Медична інформатика та інженерія відкритого доступу публікує відкриті статті відповідно до умов Creative Commons Attribution (CC BY) Ліцензії, яка дозволяє використання, поширення та відтворення на будь-якому носії, за умови, що оригінальний твір правильно цитується.
Цей журнал доступний через Creative Commons (CC) License CC-BY 4.0
