Artificial intelligence in digital pathology — new tools for diagnosis and precision oncology

Abstract

In the past decade, advances in precision oncology have resulted in an increased demand for predictive assays that enable the selection and stratification of patients for treatment. The enormous divergence of signalling and transcriptional networks mediating the crosstalk between cancer, stromal and immune cells complicates the development of functionally relevant biomarkers based on a single gene or protein. However, the result of these complex processes can be uniquely captured in the morphometric features of stained tissue specimens. The possibility of digitizing whole-slide images of tissue has led to the advent of artificial intelligence (AI) and machine learning tools in digital pathology, which enable mining of subvisual morphometric phenotypes and might, ultimately, improve patient management. In this Perspective, we critically evaluate various Al-based computational approaches for digital pathology, focusing on deep neural networks and ‘hand-crafted’ feature-based methodologies. We aim to provide a broad framework for incorporating AI and machine learning tools into clinical oncology, with an emphasis on biomarker development. We discuss some of the challenges relating to the use of AI, including the need for well-curated validation datasets, regulatory approval and fair reimbursement strategies. Finally, we present potential future opportunities for precision oncology.

Beyond the Randomized Clinical Trial: Innovative Data Science to Close the Pediatric Evidence Gap

“…57 Finally, machine learning may be used to identify early biomarkers that correspond to long-term clinical end points or quality of life. 58 For example, a machine learning tool is currently being developed to analyze cough sound data as a digital biomarker of acute respiratory disease in children. 59…”

Digital Era and Artificial Intelligence in Pathology: Basic Information

“…5,9 Bunun gerçekleştirilmesi için önce sağlam bir dijital patoloji alt yapısının kurulmuş olması ve çok miktarda kaliteli verinin uzmanlar tarafından işaretlenmesi gerekir. 2,4,6,11 Dijital patoloji uygulaması, konvansiyonel teknikle hazırlanmış lamların WSI teknolojisine dayalı özel bir tarayıcı ile taranması ve dijital ortama aktarılması ile başlar. 1,6,12 Yeni nesil tarayıcılar bir slaytı çok sayıda vertikal fokal plan hâlinde (z-stacking) tarayabilirler.…”

“…Hastalık şiddetinin değerlendirilmesi ve prognozun belirlenmesi, patolojide yapay zekânın kullanılacağı geniş bir alandır. 2,8,[26][27][28] Patolojide yapay zekâ ile tekrarlayan, emek gerektiren, zaman harcatan ve büyük dikkat gerektiren işlemlerin daha yüksek hassasiyet ve doğrulukla yapılabileceği, giderek artan hasta sayısı karşısında sayısı görece az kalan patoloji uzmanlarının zamanında ve hassas tanı koymasının -bu tanılar giderek karmaşıklaşan moleküler incelemeler gerektirse bile-kolaylaşacağı düşünülmektedir. [3][4][5]8,9,11,28 Tanı etkinliği artışı ve hassas ölçümlemeler sayesinde analiz ve yorumlamaların daha kolay yapılabileceği, böylece iş yükünün yanı sıra gözlemciler arasındaki ve gözlemci içindeki varyasyonların azalabileceği tahmin edilmektedir (Tablo 4).…”

“…İncelenmek üzere hazır bir lamın taranarak yüksek çözünürlüklü bir dijital görüntü elde edilmesi, bilgisayar ekranında görülebilmesi, görüntülere uzak ve farklı merkezlerden erişilebilmesi, görüntülerin işaretlenebilmesi ve arşivlenebilmesi "dijital patoloji" veya "sanal patoloji" olarak adlandırılmaktadır. 1,2 Modern bilimsel laboratuvar ortamında dijital patoloji giderek önem kazanmakta ve artan bir teknolojik gereksinim hâline gelmektedir. Tüm slayt görüntüleme [whole slide imaging (WSI)] adı verilen tarama işleminin ve daha hızlı ağ bağlantılarının geliştirilmesinin yanı sıra daha ucuz depolama çözümlerinin üretilmesi, patoloji uzmanlarının dijital slayt görüntüleri ile çalışmasını ve bu görüntüleri telepatoloji ve klinik kullanım için paylaşmasını kolaylaştırmıştır.…”

Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning

“…This has allowed for innovative approaches, such as AI via deep learning [8][9][10][11][12][13][14][15][16][17][18] , to be developed. Studies have been in the direction where algorithms are expected to be able to flag the suspicious areas, prompting the pathologists to examine the tissue thoroughly under high magnification or employ immunohistochemical (IHC) studies when necessary, and make an accurate diagnosis 19 .…”