LO
Capacité techniqueAutomatisation cognitive2018-12-01
Avec l'aide d'un algorithme, des pathologistes ont trouvé plus souvent les micrométastases ganglionnaires (91 % contre 83 %) en environ moitié moins de temps par image, a constaté une étude de lecteurs
Pathologistepage du métier →
Date de l'événement / signalement
2018-12-01
Stade de la preuve
Capacité techniqueUne démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.
Tâches concernées
Chercher de petites anomalies sur les lames
Parcourir de nombreuses lames à la recherche de petites choses, comme des métastases dans les ganglions lymphatiques.
Augmentée✓ Appuyé sur des preuves
Où ceci s'applique
Une étude multilecteurs et multicas dans laquelle six pathologistes ont examiné 70 lames numérisées de ganglions lymphatiques avec et sans un algorithme délimitant les zones probablement tumorales. La sensibilité assistée pour les micrométastases était de 91 % contre 83 %, et le temps moyen d'examen par image de 61 contre 116 secondes pour les micrométastases et de 111 contre 137 secondes pour les images négatives. Les auteurs qui ont construit et testé l'algorithme sont des employés d'Alphabet.
Ce que cela veut dire
La recherche de petites métastases est le domaine où l'aide de l'IA rend les pathologistes à la fois plus exacts et plus rapides.
Ce que cela ne montre pas encore
Une étude de lecteurs sur 70 lames menée par les développeurs ; pas une mesure de la charge de travail clinique.
Ce que vous pouvez vérifier
Ouvrez l'article de l'American Journal of Surgical Pathology sur l'assistance par apprentissage profond pour les ganglions lymphatiques et cherchez « 91% vs. 83% ».
Cela change-t-il l'évaluation ?
Non — et ce stade ne le déplace pas non plus. Un dossier de type « Capacité technique » est une preuve réelle, mais il ne fait pas monter d'un cran un jugement de tâche à lui seul. 1 jugement lié ci-dessus reste là où il était.
Source
Steiner et al. — Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer, American Journal of Surgical Pathology 42(12) (December 2018) · vérifié 2026-09-30 · Claude (VOLO agent) · interprété 2026-09-30 · Claude (VOLO agent)
Source primaire — publiée par la partie qui a fait la chose, ou par l'autorité de référence. Aucune contresignature nécessaire.