A digitális patológia és állatorvosi alkalmazása : Irodalmi összefoglaló

Abstract

ÖSSZEFOGLALÁS A szerzők irodalmi adatok és saját tapasztalataik alapján összefoglalják a digitális patológiával kapcsolatos legfontosabb ismereteket. Áttekintést nyújtanak a tudományterület fejlődéséről, a hozzá kapcsolódó legfontosabb fogalmakról, az attól elválaszthatatlan metszetszkennerekről, mesterséges intelligenciáról és digitális képelemzésről, továbbá felhasználási lehetőségeiről. Ismertetésre kerülnek a diagnosztikai, kutatási és oktatási alkalmazásának lehetőségei is. Ezen kívül egy külön fejezetben bemutatják a technológia megoldandó problémáit és követelményeit, valamint röviden összefoglalják a módszertanával megvalósított saját kutatásaikat is. SUMMARY Digital pathology refers to the visualization and examination of traditional histopathological slides on a monitor after digitization. Its revolution started with the commercialization of slide scanners. With these instruments glass slides can be converted into high-resolution digital whole slide images that can be examined with digital image analysis softwares. Their purpose is to increase the amount and quality of data that can be extracted from histological samples, as well as their quantitative measurement. With its methodology a more objective pathology discipline can be realized. These softwares learn and improve their perfor- mance using machine learning. In diagnostics, digital pathology can be used to accelerate workflows, perform remote work, consult, and replace semi-quantitative evaluations. Its research use is an important aspect, since the tissue assessment of morphological and molecular visualization procedures, or where applicable, its evaluation based on quantitative characterization is subjective and often difficult to repeat. The numerical data obtained are statistically more feasible. Educational activity is more interactive, there is no need for microscopes or slides, and the system is also suitable for exams. The problems of digital pathology include the lack of a standardized digital file format, significant costs and data management burdens, as well as the unknown decision-making method of the most effective artificial intelligence systems, which drawbacks need to be solved in the future. In our own studies, using economically important viral pig diseases we analyzed the associations between digitally quantified infected cell or inflammatory cell counts and manual scorings and viral loads measured by qPCR.