CN110767312A - 人工智能辅助病理诊断系统及方法 - Google Patents
人工智能辅助病理诊断系统及方法 Download PDFInfo
- Publication number
- CN110767312A CN110767312A CN201911368872.2A CN201911368872A CN110767312A CN 110767312 A CN110767312 A CN 110767312A CN 201911368872 A CN201911368872 A CN 201911368872A CN 110767312 A CN110767312 A CN 110767312A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- analysis report
- pathological
- preliminary
- digital
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010827 pathological analysis Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 93
- 238000003745 diagnosis Methods 0.000 claims abstract description 86
- 230000001575 pathological effect Effects 0.000 claims abstract description 45
- 230000007170 pathology Effects 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 15
- 201000010099 disease Diseases 0.000 claims description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004451 qualitative analysis Methods 0.000 claims description 7
- 238000004445 quantitative analysis Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 230000002496 gastric effect Effects 0.000 description 6
- 238000010186 staining Methods 0.000 description 5
- 238000001574 biopsy Methods 0.000 description 4
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 3
- 102000008096 B7-H1 Antigen Human genes 0.000 description 2
- 108010074708 B7-H1 Antigen Proteins 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 208000032124 Squamous Intraepithelial Lesions Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000001156 gastric mucosa Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 208000020077 squamous cell intraepithelial neoplasia Diseases 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明涉及人工智能辅助病理诊断系统,包括病理信息库,病理专家库以及由处理器执行的一个或多个程序,所述程序包括用于执行以下步骤:接收数字病理文件;为数字病理文件匹配智能诊断算法模型,生成初步诊断意见和初步分析报告;当所述初步诊断意见为阴性时,将所述初步分析报告作为最终分析报告,否则,进入分流程序,匹配一个对应的专病医生,接收来自所述专病医生的最终分析报告。本申请中还提供了人工智能辅助病理诊断方法。本申请借助人工智能手段,实现对数字病理文件的初步筛查,筛查呈阴性的数字病理文件直接生成初步分析报告,筛查可能有问题的数字病理文件转到专病医生那里进行人工确诊,从而减轻病理医生的工作量。
Description
技术领域
本发明涉及病理诊断领域,特别是涉及人工智能辅助病理诊断系统及方法。
背景技术
“病理乃医学之本”,病理学检查是极其重要的诊断方法,被奉为临床诊断的金标准。目前主要由医生对每一张病理切片或是数字病理文件进行人工判读,这是一项专业性要求极高的工作,同时也是一项极其耗费时间的工作。随着人工智能的发展,机器学习软件作为病理学领域的一种新工具,因其效率和准确性的不断提高,越来越引起人们的重视,各种人工智能辅助病理诊断的研究也层出不穷,这些技术使得人工智能有望帮助医生提高诊断准确率及效率。
病理诊断受到医生知识背景、观测目的和环境等影响,加上我国医疗资源的紧张,病理人才严重不足,往往导致病人病情的延误,如何借助人工智能的手段辅助医疗人员进行病理情况的快速诊断,从而减轻病理医生的工作量,是亟待解决的技术问题。
发明内容
本发明的一个目的在于解决现有技术存在的病理医生资源不足、工作量大的问题。
为了实现上述目的,本申请提供了人工智能辅助病理诊断系统,包括:一个或多个处理器;存储器;以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行以下步骤:接收数字病理文件;为数字病理文件匹配智能诊断算法模型,通过智能诊断算法模型对数字切片文件进行初步诊断和标注,输出标注过的数字切片文件;生成初步诊断意见和初步分析报告;当所述初步诊断意见为阴性时,将所述初步分析报告作为最终分析报告输出,否则进入分流程序,筛选出n位专病医生,向筛选出的专病医生发出阅片请求,定时查收来自专病医生的应答信息,向发出所述应答信息的专病医生发送对应的经过标注过的数字切片文件、初步分析报告以及患者信息,接收来自所述专病医生的最终分析报告输出所述最终分析报告。
本申请中,借助人工智能手段,实现对数字病理文件的初步筛查,根据不同的筛查结果执行不同的处理流程,筛查呈阴性的数字病理文件直接生成初步分析报告,筛查可能有问题的数字病理文件转到专病医生那里进行人工确诊,从而减轻病理医生的工作量。
进一步地,还包括:病理信息库,用于存储患者信息,每项患者信息与至少一个切片标签相对应,所述数字病理文件携带有所述切片标签;病理专家库,包括多个专病专家库,每个专病专家库中存储有多名专病医生,所述每类切片标签至少对应一个专病专家库;所述程序,接收数字切片文件后,提取所述数字切片文件上的切片标签,以所述切片标签为索引,在病理信息库中查找对应患者信息,根据所述患者信息为数字切片文件匹配智能诊断算法模型;根据所述患者信息选择对应的专病专家库,在所述病理专家库中至少选择一个专病医生,将标注过的数字切片文件和初步分析报告发送给选择的专病医生。
本申请中,不同医疗结构或是医疗领域的专家进行整合,将具备一定资质或是专长的专病医生纳入到对应的专病专家库中从而形成病理专家库,将原来固定场所固定时间的工作方式改变为灵活办公的方式,形成一对多的信息分发模式,由专病医生根据自己的情况选择是否进行病理诊断,突破了现有固定地点、固定时间的工作模式,专病医生无论是否在岗都可以参与病理诊断,提高了工作的灵活性。
本申请还提供了人工智能辅助病理诊断方法,适用于人工智能辅助病理诊断系统,所述病理诊断系统包括病理专家库,病理专家库包括多名专病医生,其特征在于,所述病理诊断方法包括:S10,接收数字病理文件,为数字病理文件匹配智能诊断算法模型,通过智能诊断算法模型对数字切片文件进行初步诊断和标注,生成初步诊断意见和初步分析报告;S20,判断所述初步诊断意见是否为阴性,如果初步诊断意见为阴性,则将初步分析报告输出为最终分析报告;否则,进入分流程序,在所述病理专家库中选择对应的专病医生,将标注过的数字切片文件、初步分析报告以及患者信息,专病医生根据接收到的内容进行人工确诊,生成最终分析报告;S30,输出所述最终分析报告。
进一步地,所述病理诊断系统还包括病理信息库,用于存储患者信息,每项患者信息与至少一个切片标签相对应,所述数字病理文件携带有所述切片标签;所述S10,具体包括:接收数字切片文件;提取所述数字切片文件上的切片标签;以所述切片标签为索引,在病理信息库中查找对应患者信息;根据所述患者信息为数字切片文件匹配智能诊断算法模型;将所述数字切片文件输入匹配的智能诊断算法模型,智能诊断算法模型对数字切片文件进行检测分析,并在数字切片文件上标注可疑区域、可疑信息类别和/或评估指数,得出初步诊断意见;结合所述患者信息与算法模型的分析结果,生成初步分析报告。
进一步地,对所述初步诊断意见根据定性分析和/或定量分析得到,定性分析是指根据所述可疑信息类别判断所述数字切片文件是否为阴性,定量分析是指将所述评估指数与设定阈值进行对比,判断所述数字切片文件是否为阴性。
本申请中,定量分析与定性分析的结合有助于提高初步诊断意见的准确性。
进一步地,所述S20,具体包括:判断所述初步诊断意见;当所述初步诊断意见为阴性时,将所述初步分析报告作为最终分析报告;否则,进入分流程序,根据所述数字切片文件上的切片标签,选择对应的专病专家库;从病理专家库中筛选出n位专病医生;向筛选出的专病医生发出阅片请求;定时查收来自专病医生的应答信息;向发出所述应答信息的专病医生发送对应的经过标注过的数字切片文件、初步分析报告以及患者信息;专病医生根据接收到的内容进行人工确诊,生成最终分析报告。
进一步地,所述专病医生根据接收到的内容进行人工确诊,生成最终分析报告,具体包括:在经过标注的数字切片文件中标示出感兴趣区域,将经过标示的数字切片文件输入指定的智能诊断算法模型,进行辅助分析,并生成辅助分析报告;对接收到到的初步分析报告进行准确性判别,当判别结果为准确时,通过初步分析报告结合所述辅助分析报告进行确诊,生成最终分析报告;当判别结果为不准确时,则根据人工阅片结果结合所述辅助分析报告进行确认,生成最终分析报告。
附图说明
图1是本发明人工智能辅助病理诊断方法流程示意图(1);
图2是本发明人工智能辅助病理诊断方法流程示意图(2)。
具体实施方式
下面结合附图对本发明作进一步说明:
人工智能辅助病理诊断系统,包括病理信息库、病理专家库、一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行以下步骤:
接收数字病理文件;
为数字病理文件匹配智能诊断算法模型,通过智能诊断算法模型对数字切片文件进行初步诊断和标注,输出标注过的数字切片文件;智能诊断算法模型包括宫颈液基细胞学筛查算法、胃粘膜活检算法、前列腺癌分级算法、PD-L1免疫组化判读算法等;
生成初步分析报告;
当所述初步诊断意见为阴性时,将所述初步分析报告作为最终分析报告,否则
进入分流程序,筛选出n位专病医生,向筛选出的专病医生发出阅片请求,定时查收来自专病医生的应答信息,向发出所述应答信息的专病医生发送对应的经过标注过的数字切片文件、初步分析报告以及患者信息,接收来自所述专病医生的最终分析报告;这里的患者信息可以是部分信息也可以是全部信息,根据录入的患者信息包含的内容来定,原则上发送的是与病理诊断相关的患者信息。
输出所述最终分析报告。
病理信息库用于存储患者信息,每项患者信息与至少一个切片标签相对应,所述数字病理文件携带有所述切片标签。切片标签上至少包括病理号、切片号、染色方式和/或染色指标等。患者信息包括姓名、性别、年龄、病史、放化疗史、月经史、影像学检查及生化检查结果、临床诊断、手术记录、标本类型、取材记录、切片类型、染色方式、染色标志物、病理号、住院号、免疫组化号、分子病理号、切片号等。病理专家库包括多个专病专家库,例如肺专家库、胃肠专家库、乳腺/妇科专家库、骨/软组织专家库、淋巴瘤专家库等等,每个专病专家库中存储有多名专病医生,将具备一定资质或是专长的专病医生纳入到对应的专病专家库中。
适用于人工智能辅助病理诊断系统的诊断方法,如图1、图2所示,包括:
S10,接收数字病理文件,为数字病理文件匹配智能诊断算法模型,通过智能诊断算法模型对数字切片文件进行初步诊断和标注,生成初步诊断意见和初步分析报告;具体地,
首先提取所述数字切片文件上的切片标签,以所述切片标签为索引,在病理信息库中查找对应患者信息,根据所述患者信息为数字切片文件匹配智能诊断算法模型,比如可根据临床诊断和标本类型为数字切片文件匹配智能诊断算法模型,例如切片标签为病人张三的胃切片(或是用带有指向性的编号标示),按照这个信息在病理信息库中查找对应病人张三,从张三的患者信息获得张三的临床诊断和标本类型,指向胃粘膜疾病和胃粘膜标本,那么就为该数字切片文件匹配到胃粘膜活检算法,将所述数字切片文件输入匹配的胃粘膜活检算法,胃粘膜活检算法对数字切片文件进行检测分析,并在数字切片文件上标注可疑区域、可疑信息类别和/或评估指数,例如勾画出对应的区域并以不同的颜色高亮显示,备注有不同的分类标注信息,如使用“可疑肿瘤区域、阳性染色细胞、高度鳞状上皮内病变”等术语或是“阴性、阳性、可疑、良性、恶性”等分类信息,或者采用置信度的方式进行描述,如恶性置信度90%等,或者是如PD-L1阳性染色比例60%,Ki-67标记数18%,肿瘤区域面积0.3平方毫米等评估指数,得出初步诊断意见,然后结合所述患者信息与算法模型的分析结果,生成初步分析报告。
S20,判断所述初步诊断意见是否为阴性,如果初步诊断意见为阴性,则将初步分析报告作为最终分析报告;否则,在所述病理专家库中选择对应的专病医生,将经过标注的数字切片文件和初步分析报告发送至选定专病医生;专病医生根据接收到的内容进行人工确诊,生成最终分析报告;
S30,输出最终分析报告。
其中,初步诊断意见根据定性分析和/或定量分析得到,定性分析是指根据所述可疑信息类别判断所述数字切片文件是否为阴性,定量分析是指将所述评估指数与设定阈值进行对比,判断所述数字切片文件是否为阴性。步骤S20具体地包括:
首先判断所述初步诊断意见;
当所述初步诊断意见为阴性时,意味着检测结果正常,没有恶性病变,不需要进一步医学干预,将所述初步分析报告输出为最终报告;
否则,根据所述数字切片文件上的切片标签,选择对应的专病专家库,进入分流程序:
从病理专家库中筛选出n位专病医生;
向筛选出的专病医生发出阅片请求;
定时查收来自专病医生的应答信息;
向发出所述应答信息的专病医生发送对应的经过标注过的数字切片文件、初步分析报告以及患者信息;
具体地,根据切片标签,或是切片标签对应的患者信息,选择对应的专病专家库,再根据专家的信息比如级别、是否有空余时间、既往响应率、响应时间、既往所发病理报告质量及诊断准确率等,筛选出1-5位专病医生,发送阅片申请。医生在接到通知后,可以选择接受或拒绝,如果在规定时间内没有医生接受,则会在专家库中再筛选出1-5位专病医生,重新发送阅片申请,直到有人接受为止。一旦有一位医生接受,则其他医生也会得到通知,同时关闭其他医生接受此申请的选项。选择接受阅片申请的医生可进一步在自己的手机或电脑、平板电脑上查看该阅片申请对应的经过标注的数字切片文件、初步分析报告以及患者信息。这里并不限定只可一位医生接受阅片申请,在医疗资源不紧张的情况下,也可以同时选中两位及两位以上的病理医生。
专病医生根据接收到的内容进行人工确诊,生成最终分析报告,具体包括:在经过标注的数字切片文件中标示出感兴趣区域,将经过标示的数字切片文件输入指定的智能诊断算法模型,进行辅助分析,并生成辅助分析报告;对接收到到的初步分析报告进行准确性判别当判别结果为准确时,通过初步分析报告结合所述辅助分析报告进行确诊,生成最终分析报告;当判别结果为不准确时,则根据人工阅片结果结合所述辅助分析报告进行确认,生成最终分析报告。
专病医生根据专业经验去除数字切片文件中不合格区域、标示出感兴趣区域,也可以更改标注区域的界线、分类及标注信息,选择最合适的智能诊断算法模型进行对应的诊断,或是选择几个智能诊断算法模型进行对应的诊断,生成辅助分析报告。专病医生的诊断方式不受限于医生所处的地理位置,可以分为远程和本地。无论专病医生在外地还是本地,都可以进行人工确诊。如果专病医生在本人阅片结合辅助分析报告仍不能确诊或是出具最终分析报告,那医生可以发出无法确认的请求信息,处理器在收到来自专病医生的无法确认的请求信息时,会再次从病理专家库中筛选出n位专病医生,重新执行分流程序。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.人工智能辅助病理诊断系统,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行以下步骤:
接收数字病理文件;
为数字病理文件匹配智能诊断算法模型,通过智能诊断算法模型对数字切片文件进行初步诊断和标注,输出标注过的数字切片文件;
生成初步诊断意见和初步分析报告;
当所述初步诊断意见为阴性时,将所述初步分析报告作为最终分析报告,否则,进入分流程序,筛选出n位专病医生,向筛选出的专病医生发出阅片请求,定时查收来自专病医生的应答信息,向发出所述应答信息的专病医生发送对应的经过标注过的数字切片文件、初步分析报告以及患者信息,接收来自所述专病医生的最终分析报告;
输出所述最终分析报告。
2.如权利要求1所述的人工智能辅助病理诊断系统,其特征在于,还包括:
病理信息库,用于存储患者信息,每项患者信息与至少一个切片标签相对应,所述数字病理文件携带有所述切片标签;
病理专家库,包括多个专病专家库,每个专病专家库中存储有多名专病医生,所述每类切片标签至少对应一个专病专家库;
所述程序,接收数字切片文件后,提取所述数字切片文件上的切片标签,以所述切片标签为索引,在病理信息库中查找对应患者信息,根据所述患者信息为数字切片文件匹配智能诊断算法模型;根据所述患者信息选择对应的专病专家库,在所述病理专家库中至少选择一个专病医生,将标注过的数字切片文件和初步分析报告发送给选择的专病医生。
3.人工智能辅助病理诊断方法,适用于人工智能辅助病理诊断系统,所述病理诊断系统包括病理专家库,病理专家库包括多名专病医生,其特征在于,所述病理诊断方法包括:
S10,接收数字病理文件,为数字病理文件匹配智能诊断算法模型,通过智能诊断算法模型对数字切片文件进行初步诊断和标注,生成初步诊断意见和初步分析报告;
S20,判断所述初步诊断意见是否为阴性,如果初步诊断意见为阴性,则将初步分析报告作为最终分析报告;否则,进入分流程序,在所述病理专家库中选择对应的专病医生,将标注过的数字切片文件、初步分析报告以及患者信息,专病医生根据接收到的内容进行人工确诊,生成最终分析报告;
S30,输出所述最终分析报告。
4.如权利要求3所述的人工智能辅助病理诊断方法,其特征在于,所述病理诊断系统还包括病理信息库,用于存储患者信息,每项患者信息与至少一个切片标签相对应,所述数字病理文件携带有所述切片标签;
所述S10,具体包括:
接收数字切片文件;
提取所述数字切片文件上的切片标签;以所述切片标签为索引,在病理信息库中查找对应患者信息;
根据所述患者信息为数字切片文件匹配智能诊断算法模型;
将所述数字切片文件输入匹配的智能诊断算法模型,智能诊断算法模型对数字切片文件进行检测分析,并在数字切片文件上标注可疑区域、可疑信息类别和/或评估指数,得出初步诊断意见;
结合所述患者信息与算法模型的分析结果,生成初步分析报告。
5.如权利要求3所述的人工智能辅助病理诊断方法,其特征在于,对所述初步诊断意见根据定性分析和/或定量分析得到,定性分析是指根据所述可疑信息类别判断所述数字切片文件是否为阴性,定量分析是指将所述评估指数与设定阈值进行对比,判断所述数字切片文件是否为阴性。
6.如权利要求3所述的人工智能辅助病理诊断方法,其特征在于,所述S20,具体包括:
判断所述初步诊断意见;
当所述初步诊断意见为阴性时,将所述初步分析报告作最终分析报告;
否则,进入分流程序,根据所述数字切片文件上的切片标签,选择对应的专病专家库;
从病理专家库中筛选出n位专病医生;
向筛选出的专病医生发出阅片请求;
定时查收来自专病医生的应答信息;
向发出所述应答信息的专病医生发送对应的经过标注过的数字切片文件、初步分析报告以及患者信息;
专病医生根据接收到的内容进行人工确诊,生成最终分析报告。
7.如权利要求6所述的人工智能辅助病理诊断方法,其特征在于,所述专病医生根据接收到的内容进行人工确诊,生成最终分析报告,具体包括:
在经过标注的数字切片文件中标示出感兴趣区域,将经过标示的数字切片文件输入指定的智能诊断算法模型,进行辅助分析,并生成辅助分析报告;
对接收到到的初步分析报告进行准确性判别当判别结果为准确时,通过初步分析报告结合所述辅助分析报告进行确诊,生成最终分析报告;当判别结果为不准确时,则根据人工阅片结果结合所述辅助分析报告进行确认,生成最终分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368872.2A CN110767312A (zh) | 2019-12-26 | 2019-12-26 | 人工智能辅助病理诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368872.2A CN110767312A (zh) | 2019-12-26 | 2019-12-26 | 人工智能辅助病理诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110767312A true CN110767312A (zh) | 2020-02-07 |
Family
ID=69341550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368872.2A Pending CN110767312A (zh) | 2019-12-26 | 2019-12-26 | 人工智能辅助病理诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110767312A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN111785364A (zh) * | 2020-06-15 | 2020-10-16 | 杭州思柏信息技术有限公司 | 一种互联网+宫颈图像智能辅助阅片方法及辅助阅片系统 |
CN112863668A (zh) * | 2021-02-07 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的肝硬化患者肺内血管扩张筛查系统 |
CN113838571A (zh) * | 2021-09-03 | 2021-12-24 | 苏小慢 | 一种基于大数据的大健康医疗方法及系统 |
CN114280014A (zh) * | 2021-11-30 | 2022-04-05 | 杭州迪英加科技有限公司 | 一种用于ai判读单独计费试剂 |
CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN109903284A (zh) * | 2019-03-04 | 2019-06-18 | 武汉大学 | 一种her2免疫组化图像自动判别方法及系统 |
CN110220902A (zh) * | 2019-05-09 | 2019-09-10 | 杭州迪英加科技有限公司 | 数字病理切片分析方法和装置 |
-
2019
- 2019-12-26 CN CN201911368872.2A patent/CN110767312A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN109903284A (zh) * | 2019-03-04 | 2019-06-18 | 武汉大学 | 一种her2免疫组化图像自动判别方法及系统 |
CN110220902A (zh) * | 2019-05-09 | 2019-09-10 | 杭州迪英加科技有限公司 | 数字病理切片分析方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
CN111785364A (zh) * | 2020-06-15 | 2020-10-16 | 杭州思柏信息技术有限公司 | 一种互联网+宫颈图像智能辅助阅片方法及辅助阅片系统 |
CN112863668A (zh) * | 2021-02-07 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的肝硬化患者肺内血管扩张筛查系统 |
CN113838571A (zh) * | 2021-09-03 | 2021-12-24 | 苏小慢 | 一种基于大数据的大健康医疗方法及系统 |
CN113838571B (zh) * | 2021-09-03 | 2023-12-22 | 北京约来健康科技有限公司 | 一种基于大数据的大健康医疗系统 |
CN114280014A (zh) * | 2021-11-30 | 2022-04-05 | 杭州迪英加科技有限公司 | 一种用于ai判读单独计费试剂 |
CN117116436A (zh) * | 2023-09-11 | 2023-11-24 | 北京透彻未来科技有限公司 | 一种条目化数字病理切片诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110767312A (zh) | 人工智能辅助病理诊断系统及方法 | |
Ström et al. | Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study | |
US11842488B2 (en) | Explainable AI (xAI) platform for computational pathology | |
Kerlikowske et al. | Performance of screening mammography among women with and without a first-degree relative with breast cancer | |
CN1977283B (zh) | 用于医疗诊断的智能定性和定量分析的系统 | |
JP5128154B2 (ja) | レポート作成支援装置、レポート作成支援方法およびそのプログラム | |
US8019134B2 (en) | Automatic image analysis and quantification for fluorescence in situ hybridization | |
WO2005065041A2 (en) | Display for computer-aided evaluation of medical images and for establishing clinical recommendation therefrom | |
CN105027165A (zh) | 用于数字完整载片的自动化评分的基于组织对象的机器学习系统 | |
CA2851152A1 (en) | Method and system for analyzing biological specimens by spectral imaging | |
Bertram et al. | Computer-assisted mitotic count using a deep learning–based algorithm improves interobserver reproducibility and accuracy | |
Habtemariam et al. | Cervix type and cervical cancer classification system using deep learning techniques | |
US8542899B2 (en) | Automatic image analysis and quantification for fluorescence in situ hybridization | |
US11464466B2 (en) | Methods and systems for periodontal disease screening | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN110556173A (zh) | 一种检查报告单智能分类管理系统及方法 | |
CN111406294B (zh) | 自动生成用于实验室仪器的规则 | |
US20160267256A1 (en) | Disease-screening method, module and computer program, using samples taken from an individual | |
Rokhshad et al. | Deep learning for diagnosis of head and neck cancers through radiographic data: a systematic review and meta-analysis | |
US20210233646A1 (en) | System and method for colloborative and interactive image processing | |
Moumtzoglou et al. | Mapping Population Health Management Roadmap into Cervical Cancer Screening Programs | |
US11710235B2 (en) | Systems and methods for processing electronic images of slides for a digital pathology workflow | |
Tafavvoghi et al. | Publicly available datasets of breast histopathology H&E whole-slide images: A scoping review | |
Bermejo-Peláez et al. | Digital system augmented by artificial intelligence to interpret bone marrow samples for hematological disease diagnosis | |
Korenevskaya | Prospects for the development of intellectual diagnosis of prostate cancer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |