{{{sourceTextContent.title}}}

Ouvrir le potentiel de représentation

{{{sourceTextContent.subTitle}}}

L'analyse d'image automatisée montre le potentiel significatif dans l'histopathologie d'aider à identifier les caractéristiques pronostiques nouvelles et subtiles. Dr. expert BRITANNIQUE Peter Caie croit également qu'une telle analyse d'image peut transformer des aspects de l'histopathologie d'un champ traditionnellement semi-quantitatif en science entièrement quantifiable et normalisée. Cependant, il précise également que les défis demeurent avant que la pleine capacité soit vue dans la pathologie numérique.

{{{sourceTextContent.description}}}

Pendant la conférence de pathologie de Digital à tenir ce décembre à Londres, Caie décrira les avances en “profilant l'histopathologie de Big Data session par analyse d'image”. En tant que chargé de recherches supérieur travaillant à Digital et à pathologie de systèmes à l'université de Saint Andrews en Ecosse, le but de Dr. Caie's est de démontrer comment l'analyse d'image complexe des spécimens numériques de pathologie peut maintenant créer des “grandes données” hiérarchiques robustes. En avant de la conférence, il a dit l'hôpital européen : “Je décrirai comment l'analyse d'image automatisée peut non seulement mesurer pour placer les caractéristiques histopathologiques dans normalisée et façon reproductible - telle que des bourgeons de tumeur, l'invasion lympho-vasculaire, la densité de navire lymphatique et la morphométrie nucléaire de tumeur - mais également peux ser d'un outil investigateur pour identifier les caractéristiques pronostiques ou prévisionnelles nouvelles qui sont précédemment passées inapperçues ou non rapportées.” Caie a expliqué que l'analyse d'image moderne des glissières numériques de pathologie peut maintenant également créer de grands ensembles de données liés aux paramètres multiples d'exportation des objets segmentés et classifiés d'ordinateur dans la section numérique de tissu. Ceux-ci peuvent être des paramètres liés aux configurations histopathologiques réglées - telles que leur forme et ampleur - ou des caractéristiques capturées d'une façon impartiale, où chaque objet segmentable et évident est capturé et morphométrique, texture, nombre d'objets et information spatiale (telle que l'hétérogénéité, la distribution, l'emplacement, voisins à d'autres objets) est extraites. “Ces grandes données doivent alors être extraites avec la bio-informatique appropriée pour identifier les paramètres pronostiques ou prévisionnels significatifs, ou combinaison des paramètres, pour stratifier la population des patients en question,” il a précisé. Ce champ d'émergence se nomme “tissu Phenomics”, une expression d'abord inventée par Gerd Binnig, gagnant du prix Nobel et fondateur du Definiens de fournisseur de logiciel d'analyse d'image. Cependant, Caie reconnaît qu'il y a des défis multiples dans la pathologie numérique et l'analyse d'image. La reproductibilité et la validation sont principales à la grande histopathologie normalisée de données de qualité, dit-il, et ont soumis à une contrainte que les algorithmes d'analyse d'image eux-mêmes doivent être d'une haute assez de qualité à traiter le tissu complexe et hétérogène, tandis que les algorithmes simples peuvent faire rapport des résultats ou des classifications faux dus aux populations hétérogènes de cellules. “De même quand la mesure des caractéristiques histopathologiques dans le micro-environnement complexe de tumeur, analyse d'image peut également rapporter des faux positifs ou des paramètres inexacts dus à la souillure ou à l'autofluorescence non spécifique dans le tissu,” il a ajouté. D'autres défis incluent le besoin de l'infrastructure IT rapide de permettre à la pathologie numérique d'être par habitude employé, aussi bien que de grands et sûrs magasins de données pour archiver les spécimens numériques et leur analyse associée. Un autre défi est, dit-il, pour le champ traditionnel de la pathologie pour accepter le champ nouveau de l'analyse d'image et du “phenomics de tissu” et pour lui permettre d'être mise en application dans l'utilisation clinique courante. La grande pathologie de données a une gamme des avantages pour des cliniciens et des patients. Caie : La « analyse d'image permet le reportage reproductible et normalisé des biomarkers ou des caractéristiques histopathologiques qui nient la variabilité d'observateur. Elle peut également libérer un temps de pathologistes pour se concentrer sur des cas complexes si la quantification des caractéristiques histopathologiques dans des cas plus courants devient automatisée. La “analyse d'image peut mesurer l'hybridation in situ de fluorescence (POISSON) et les protéines à travers une dynamique avec l'application de la fluorescence, menant à des résultats patients plus précis, en tant que grande pathologie de données peuvent identifier les modèles subtils ou complexes dans la section de tissu il peut être difficile identifier reproductible que par l'oeil. “Par conséquent,” Caie a précisé, “elle peut fournir au clinicien le roman et les nouveaux biomarkers significatifs pour faciliter la prise de décision clinique, et le patient peut recevoir une réponse plus personnalisée et plus au courant dans leur cas particulier.” La prochaine étape en grande histopathologie de données, il propose, est de valider la technologie dans la grande rétrospective et les tests cliniques éventuels pour démontrer sa pleine capacité. La grande histopathologie de données augmentera dans la puissance comme la technologie évolue. Ceci inclut multiplexer beaucoup de biomarkers, qui peuvent être employés pour tracer des voies entières dans une cellule. Caie conclut : la “Co-enregistrement multi-omics, comme le transcriptomics unicellulaire, génomique et données histopathologiques, avec des biomarkers de protéine sur la même section de tissu conduira également grande à une pathologie plus instructive et plus puissante de données, qui encore fournira l'analyse dans la progression de la maladie et les biomarkers pour des études et des procès prévisionnels de drogue.”

{{medias[8319].title}}

{{medias[8319].description}}