{{{sourceTextContent.title}}}

Desbloquear potencial de la proyección de imagen

{{{sourceTextContent.subTitle}}}

El análisis de imagen automatizado muestra potencial significativo dentro de la histopatología para ayudar a identificar características pronósticas nuevas y sutiles. El Dr. experto BRITÁNICO Peter Caie también cree que tal análisis de imagen puede dar vuelta a aspectos de la histopatología de un campo tradicionalmente semiquantitativo en una ciencia completamente cuantificable y estandardizada. Sin embargo, él también señala que sigue habiendo los desafíos antes de que la capacidad máxima se considere dentro de la patología digital.

{{{sourceTextContent.description}}}

Durante la conferencia de la patología de Digitaces que se sostendrá este diciembre en Londres, Caie resumirá los avances en la ‘que perfilan histopatología de Big Data con la sesión del análisis de imagen’. Como profesor investigador mayor que trabaja en Digitaces y la patología de sistemas en la universidad de Saint Andrews en Escocia, el objetivo del Dr. Caie es demostrar cómo el análisis de imagen complejo de los especímenes digitales de la patología puede ahora crear ‘datos grandes jerárquicos robustos’. Delante de la conferencia, él dijo el hospital europeo: ‘Resumiré cómo el análisis de imagen automatizado puede no sólo cuantificar para fijar características histopatológicas en haber estandardizado y manera reproductiva - tal como brotes del tumor, invasión lympho-vascular, densidad del buque linfático y morfometría nuclear del tumor - pero también puedo ser utilizado como herramienta investigador para identificar las características pronósticas o proféticas nuevas que han ido previamente inadvertidas o no denunciadas.’ Caie explicó que el análisis de imagen moderno de las diapositivas digitales de la patología puede ahora también crear los conjuntos de datos grandes asociados a parámetros múltiples de la exportación de objetos divididos en segmentos y clasificados del ordenador dentro de la sección digital del tejido. Éstos pueden ser parámetros asociados a las características histopatológicas determinadas - tales como su forma y grado - o las características capturadas de una manera imparcial, donde está capturado y morfométrico cada objeto segmentable y visible, textura, el número de objetos y la información espacial (tal como heterogeneidad, distribución, ubicación, vecinas a otros objetos) se extraen. ‘Esos datos grandes se deben entonces minar con bioinformática apropiada para identificar los parámetros pronósticos o proféticos significativos, o combinación de parámetros, estratificar la población de pacientes en la pregunta,’ él señaló. Este campo emergente se llama ‘tejido Phenomics’, una frase primero acuñada por Gerd Binnig, ganador del premio Nobel y fundador del Definiens de la empresa de informática de análisis de imagen. Sin embargo, Caie reconoce que hay desafíos múltiples en análisis digital de la patología y de imagen. La reproductibilidad y la validación son dominantes a la histopatología grande estandardizada de los datos de la calidad, él dijo, y subrayado que los algoritmos ellos mismos del análisis de imagen deben ser de un alto bastante calidad a tratar del tejido complejo y heterogéneo, mientras que los algoritmos simples pueden informar los resultados o las clasificaciones falsos debido a las poblaciones heterogéneas de la célula. ‘Semejantemente cuando la cuantificación de las características histopatológicas en el microambiente complejo del tumor, análisis de imagen puede también divulgar falsos positivos o los parámetros inexactos debido a la coloración o al autofluorescence no específica dentro del tejido,’ él añadió. Otros desafíos incluyen la necesidad de la infraestructura informática rápida de permitir a la patología digital ser utilizado rutinario, así como almacenes de datos grandes y seguros para archivar los especímenes digitales y su análisis asociado. Otro desafío, él dijo, está para el campo tradicional de la patología para aceptar el campo nuevo del análisis de imagen y del ‘phenomics del tejido’ y para permitir que sea ejecutado en uso clínico rutinario. La patología grande de los datos tiene una gama de ventajas para los clínicos y los pacientes. Caie: El “análisis de imagen permite la información reproductiva y estandardizada de los biomarkers o de las características histopatológicas que niegan variabilidad del observador. Puede también liberar para arriba un rato de los patólogos de concentrar en casos complejos si la cuantificación de características histopatológicas en casos más rutinarios se automatiza. El ‘análisis de imagen puede cuantificar el hibridación in situ de la fluorescencia (PESCADO) y las proteínas a través de un rango dinámico con el uso de la fluorescencia, llevando a resultados pacientes más exactos, como patología grande de los datos pueden identificar modelos sutiles o complejos dentro de la sección del tejido que puede ser difícil reproductivo de identificar por el ojo. ‘Por lo tanto,’ Caie señaló, ‘puede proveer del clínico la novela y los nuevos biomarkers significativos para ayudar en la toma de decisión clínica, y el paciente puede recibir una respuesta personalizada y más informada a su caso individual.’ El paso siguiente en histopatología grande de los datos, él sugiere, es validar la tecnología en retrospectiva grande y ensayos clínicos anticipados para demostrar su capacidad máxima. La histopatología grande de los datos aumentará de poder como la tecnología se desarrolla. Esto incluye la multiplexación de muchos biomarkers, que se pueden utilizar para trazar caminos enteros dentro de una célula. Caie concluye: el ‘Co-registro multi-omics, por ejemplo el transcriptomics unicelular, genómica y los datos histopatológicos, con los biomarkers de la proteína sobre la misma sección del tejido también hará para una patología grande más informativa y más potente de los datos, que proporcionará otra vez la penetración en la progresión de la enfermedad y los biomarkers para los estudios y los ensayos proféticos de la droga.’

{{medias[8319].title}}

{{medias[8319].description}}