Key points are not available for this paper at this time.
توفر الفروق التي يقودها أطباء الأمراض داخل الهستولوجيا وصور الأوميات المكانية رؤى حول الصحة والمرض، حيث تستفيد علم الأمراض الرقمية من الذكاء الاصطناعي لأتمتة مثل هذه التقييمات. لتدريب النماذج الحسابية، تعتمد طرق علم الأمراض الرقمية الحالية على التعليقات اليدوية الأولية، والتي تستغرق وقتًا طويلاً لإنشائها. التصنيف المسبق غير مناسب تمامًا للتحقيق في السلوكيات المكانية الجديدة - وهي حاجة رئيسية تدفعها التطورات في التوصيف المكاني - والتي ستكون فيها معايير التعليق واحتياجات البيانات غير مؤكدة. لمواجهة هذه التحديات، نقدم DIANNE، وهي نهج في علم الأمراض الرقمية للتدريب السريع والاستدلال على الخصائص التفاضلية المكانية استنادًا إلى تعزيز خلط الفئة الإيجابية أثناء التدريب. يمكن لـ DIANNE حساب تحديد المواقع بدون تقسيم للمصنفات التفاضلية المستمدة من النموذج الأساسي عبر صور H&E كاملة الشريحة في ثوانٍ على محطة عمل، مما يتيح التحقيق التفاعلي في الجيوب المكانية. يمكن إعادة تدريب النماذج التنبؤية في الوقت الحقيقي استجابةً لتغيرات التعليق في القطع أو المناطق، مما يوضح الصفات البيولوجية الحاسمة عبر الشرائح من بضع عشرات من الرقع المعلّقة. نوضح فعالية DIANNE لاكتشاف الأورام، وتحديد الشوائب، واستكشاف هياكل الأنسجة البانكرياسية، والأغشية الجنينية، والكلى. كما توفر DIANNE قدرات مماثلة لعلم الأنسجة المناعية المزدوجة، والتألق المناعي المتعدد، وصور النسخ الجيني المكاني المسجل + H&E. تم تنفيذ DIANNE في مجموعة أدوات Jupyter، مما يتيح تطوير سريع لمصنفات عالية الدقة من تدريب شبه مراقب. توفر DIANNE نظامًا عمليًا لفهم كمي للظواهر المكانية المعروفة والجديدة.
دومانسكي وآخرون (الجمعة) درسوا هذا السؤال.