[Explainable artificial intelligence in pathology].

Autor: Klauschen F; Pathologisches Institut, Ludwig-Maximilians-Universität München, Thalkirchner Str. 36, 80337, München, Deutschland. frederick.klauschen@med.uni-muenchen.de.; Institut für Pathologie, Charité - Universitätsmedizin Berlin, Berlin, Deutschland. frederick.klauschen@med.uni-muenchen.de.; BIFOLD - Berlin Institute for the Foundations of Learning and Data, Berlin, Deutschland. frederick.klauschen@med.uni-muenchen.de.; Deutsches Krebsforschungszentrum (DKTK/DKFZ), Partnerstandort München, München, Deutschland. frederick.klauschen@med.uni-muenchen.de., Dippel J; BIFOLD - Berlin Institute for the Foundations of Learning and Data, Berlin, Deutschland.; Machine Learning Group, Fachbereich Elektrotechnik und Informatik, Technische Universität Berlin, Berlin, Deutschland., Keyl P; Pathologisches Institut, Ludwig-Maximilians-Universität München, Thalkirchner Str. 36, 80337, München, Deutschland., Jurmeister P; Pathologisches Institut, Ludwig-Maximilians-Universität München, Thalkirchner Str. 36, 80337, München, Deutschland.; Deutsches Krebsforschungszentrum (DKTK/DKFZ), Partnerstandort München, München, Deutschland., Bockmayr M; Institut für Pathologie, Charité - Universitätsmedizin Berlin, Berlin, Deutschland.; Pädiatrische Hämatologie und Onkologie, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland.; Forschungsinstitut Kinderkrebs-Zentrum Hamburg, Hamburg, Deutschland., Mock A; Pathologisches Institut, Ludwig-Maximilians-Universität München, Thalkirchner Str. 36, 80337, München, Deutschland.; Deutsches Krebsforschungszentrum (DKTK/DKFZ), Partnerstandort München, München, Deutschland., Buchstab O; Pathologisches Institut, Ludwig-Maximilians-Universität München, Thalkirchner Str. 36, 80337, München, Deutschland., Alber M; Institut für Pathologie, Charité - Universitätsmedizin Berlin, Berlin, Deutschland.; Aignostics GmbH, Berlin, Deutschland., Ruff L; Aignostics GmbH, Berlin, Deutschland., Montavon G; BIFOLD - Berlin Institute for the Foundations of Learning and Data, Berlin, Deutschland.; Machine Learning Group, Fachbereich Elektrotechnik und Informatik, Technische Universität Berlin, Berlin, Deutschland.; Fachbereich Mathematik und Informatik, Freie Universität Berlin, Berlin, Deutschland., Müller KR; BIFOLD - Berlin Institute for the Foundations of Learning and Data, Berlin, Deutschland. klaus-robert.mueller@tu-berlin.de.; Machine Learning Group, Fachbereich Elektrotechnik und Informatik, Technische Universität Berlin, Berlin, Deutschland. klaus-robert.mueller@tu-berlin.de.; Department of Artificial Intelligence, Korea University, Seoul, Südkorea. klaus-robert.mueller@tu-berlin.de.; Max-Planck-Institut für Informatik, Saarbrücken, Deutschland. klaus-robert.mueller@tu-berlin.de.; Machine Learning/Intelligent Data Analysis (IDA), Technische Universität Berlin, Marchstr. 23, 10587, Berlin, Deutschland. klaus-robert.mueller@tu-berlin.de.
Jazyk: němčina
Zdroj: Pathologie (Heidelberg, Germany) [Pathologie (Heidelb)] 2024 Mar; Vol. 45 (2), pp. 133-139. Date of Electronic Publication: 2024 Feb 05.
DOI: 10.1007/s00292-024-01308-7
Abstrakt: With the advancements in precision medicine, the demands on pathological diagnostics have increased, requiring standardized, quantitative, and integrated assessments of histomorphological and molecular pathological data. Great hopes are placed in artificial intelligence (AI) methods, which have demonstrated the ability to analyze complex clinical, histological, and molecular data for disease classification, biomarker quantification, and prognosis estimation. This paper provides an overview of the latest developments in pathology AI, discusses the limitations, particularly concerning the black box character of AI, and describes solutions to make decision processes more transparent using methods of so-called explainable AI (XAI).
(© 2024. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.)
Databáze: MEDLINE
Externí odkaz: