Millä nykyvaluaation voi perustella? Liikevaihtoa 2024 vajaa 3 milliä, kassa pienenee kovaa vauhtia suurten tappioiden myötä ja markkina-arvo kuitenkin huitelee jossain 100 miljoonan tienoilla.
Itse näen, että skaalauduttuaan yritys voi tehdä kovaakin tulosta, mutta nykyhinnalla saa maksaa etukäteen monen vuoden voimakkaasta kasvusta. Samaan aikaan johto kuitenkin ostoksilla, joka luonnollisesti tietää Aiforiasta enemmän kuin kukaan yksityissijoittaja.
Nyt H1:llä piti tuloutua isommin Italiasta jos en väärin muista. Taisi rahat kilahtaa tilille kun sisäpiirille lappu kelpaa. Muutenkin myyntisaatavat ovat vissiin olleet hyvässä nousussa, en usko että näissä tuloutukset ovat yhtään niin epävarmoja kuin vaikka Tecnotreessä. Aiforia näyttää dominoivan tätä segmenttiä, niin kai siitä satatuhatta voi maksaakin. Muistelen että jenkeissä miljardin valuaatiolla joku kehnompikin kilpailija on listattu jos yhtään toimarin puheita muistelen oikein. Luulen että jossain vaiheessa tämä myydään ulkomaille, näyttöjä vissiin omistajilla siinä on eikä tämmöinen hesulissa varmaan kauaa pyöri.
Toimitusjohtaja Jukka Tapaninen kertoo Aiforian kuulumisia analyytikko Antti Luiron haastattelussa:
Videon aiheet:
00:00 Aloitus
00:19 Aiforian alkuvuosi
01:04 Uudet asiakkuudet
03:24 Myynnin kehitys
04:31 Asiakkuuksien ylösajo
05:38 Sopimusten rakenne ja tuloutus liikevaihdoksi
07:19 Sopimuskausien uusiminen
09:10 Myyntityön aktiivisuus
Aiforia julkaisee uuden CE-IVD-merkityn kliinisen tekoälyratkaisun rintasyövän diagnostiikkaan
Aiforia Technologies Oyj, Lehdistötiedote, 24.6.2025 klo 9:00 EEST
Aiforia Technologies on saanut CE-IVD -merkinnän kliiniselle tekoälyratkaisulleen rintasyövän luokitteluun. Aiforia® Breast Cancer Grading -tekoälysovellus on osa Aiforia® Breast Cancer Suite -kokonaisuutta, joka sisältää myös CE-IVD-merkittyjä tekoälymalleja rintasyövän biomarkkereille ja Aiforia® Clinical Suite Viewer -käyttöliittymän. Tämä kattava kokonaisratkaisu tarjoaa täysin digitaalisen työkalupaketin rintasyövän diagnostiikkaan, tukien patologian koko työnkulkua.
Uusi CE-IVD -merkitty tekoälyratkaisu automatisoi rintasyövän luokittelua tukemalla patologia viiden erillisen tekoälymallin avulla. Se tunnistaa tarkasti invasiivisen karsinooman ja duktaalisen karsinooma in situ -variantin (DCIS). Lisäksi se tunnistaa ja laskee objektiivisesti mitoosien lukumäärän, tubulusmuodostuksen ja tuma-atypian Nottinghamin luokittelujärjestelmän mukaisesti. Vähentämällä patologien välistä vaihtelua ja nopeuttamalla analyysiä, se vastaa manuaalisen luokittelun keskeisiin haasteisiin.
”Olemme ylpeitä voidessamme julkistaa uusimman CE-IVD-merkityn ratkaisun rintasyövän diagnostiikkaportfoliossamme, tehden Aiforia® Breast Cancer Suite -kokonaisuudesta markkinoiden kattavimman AI-työkalupaketin. Uusi ratkaisu tuo patologeille merkittäviä ajansäästöjä histologisen luokan määrittämisessä, sekä parantaa diagnostista tarkkuutta ja johdonmukaisuutta tapausten välillä, lisäten luottamusta kliiniseen päätöksentekoon", kertoo Aiforian toimitusjohtaja Jukka Tapaninen.
Aiemmin ketjussa; Mr. Smith Mayosta oli kehittänyt keuhkotauteihin mallia, joka auttaa lääkityksen valinnnassa ja maksatauteihin samanlaista oli tehty. On siis vähän kehittyneempää kuvantunnistusta kuin pelkkä merkattujen rakenteiden eli biomarkkereiden laskenta immunohistokemian avulla. Siinä mallissa tunnistetaan tulehdussoluja ja sidekudossoluja terveen keuhkokudoksen seasta.
Tässä uudessa Aiforian mallissa myös tarkastellaan mm. rauhasrakenteita, tunkeutuvatko syöpäsolut kalvojen läpi (invasiivisuus) ja lisäksi yksittäisten solujen morfologiaa. Morfologia tarkoittaa ”muotojen” tarkastelua, esim. syöpäsolut ovat usein erikokoisia, niiden tumat epäsäännöllisiä ja niiden jakaantuminen on kiihtynyt. Nyt Aiforia on saattanut samaan kokonaisuuteen useita biomarkkereita, rakennetarkastelun ja tuon morfologian. Kyse on siis multimodaalisuudesta. Voisi jatkossa olla perusta ennusteellisille malleille, kuten jo tehty QuantCRC eli paksusuolisyövän ennustemalli.
Odottavan aika. Ensin kehitetään malli. Sitten pitää vielä odottaa sen hyväksyntä, esim. CE-merkintä. Sitten odotetaan, että joku ostaa mallin käyttöönsä. Sitten odotetaan tuloutusta. Nyt tämän rintasyöpämallin, jonka ”pitäisi” olla kehittynein markkinoilla, ainakin Nottingham-kriteerien mukaan + nuo biomarkkerit, kanssa on päästy hyväksytty-tasolle. Kilpajuoksua. Aiforialla onneksi on jo saatuja asiakkaita valmiina, joille myydä. Ja mitä kattavampi kattaus malleja on tarjolla, sitä todennäköisemmin myynnin avaus uusillekin toimijoille onnistuu eli vipuvaikutusta.
Juurikin näin. Ja aikaahan tuhraantuisi vallan tuhottomasti ennustemallien osalta jos lähdetään prospektiivisten seurantojen tielle. Sen osalta herää kysymys että onkohan alan toimijat tehneet ennustemalleja yksinomaan keräämällä historiallisia näytteitä vuosien takaa, analysoimalla ne omalla softalla ja sitten suorittaen vertailun kunkin tiedossa olevan syöpätapauksen lopputulemaan?
En muista nähneeni tästä Jukan haastamista/haastattelua, omalla softalla omalla sohvalla retrospektiivisestikö sitten riittäisi? @Antti_Luiro näkemys on tossa. Ja tarkennuksena, että nyt julkaistu mallikokonaisuus ei ollut tuollainen ennustava malli.
Tässä vielä kommenttia - tosiaan vähän isompi laajennus, kun mallien määrä kasvoi kerralla 8 → 13 
Tämäkin on totta, näinhän tämä on tähän asti jossain määrin mennyt. Mutta mielestäni tilanne on kuitenkin vähän parempi ja uskon isoimman odottelun olevan takanapäin.
Alussa aikaa kesti kun piti viedä riittävästi malleja kehitys+hyväksyntä -putken läpi, että saatiin asiakkuuksien voittamiseen riittävä tuoteportfolio. Sitten tämän jälkeen on kierretty asiakkaita ja laitettu jalkaa oven väliin mahdollisimman moneen asiakkuuteen. Näihin kun päästään vain sisään, niin sieltä ei hevillä lähdetä. Tässä ensimmäisessä vaiheessa liikevaihdon tuloutuksessa kestää, kun asiakas virittää koko patologian ‘tehdasympäristön’ digitaaliseksi ja paikalle toimitetaan skannereita jne.
Mutta: kun tämä alun muutosprosessi on asiakkaalla tehty, on kyse lähinnä laajennuspelistä, jossa jokaisessa sopparipäivityksessä Aiforia pyrkii myymään maksimilaajennukset sisään. Ja tässä kohtaa käyttö laajenee lähtökohtaisesti hyvin nopeasti, kun jo digitalisoitu laajentunut näytevirta saadaan ohjattua Aiforian ohjelmistoon.
Juteltiin viime viikolla juuri Jukan kanssa tästä, katsotaan saadaanko tehtyä tähän liittyen esim. syventävä haastis myöhemmin 
nythän meidän ennusteet menevät tehostuskulmalla ja ennustavat mallit sekä siihen liittyvä potentiaali tulee sitten käytännössä optiona päälle.
Hyvältä näyttää päivittynyt omistajalistaus. mm. Kirkon Eläkerahasto ottanut näkemystä sadantuhannen osakkeen potilla 
———————————
Hollantilaisten tutkijoiden katsausartikkeli foundation-malleista
FOUNDATION MODELS IN MEDICAL IMAGING-
A REVIEW AND OUTLOOK
https://arxiv.org/pdf/2506.09095
TL;DR Katsaus osoittaa, että ollaan vielä alkuaskeleissa näissä foundation-malleissa. Se, että dataa työnnetään mallille kuratoimatta, ei riitä. Lisäksi se pitää yhdistää sairauskertomusten tietoihin eli tekstiin, diagnooseihin, elinaikaan jne, muuten siitä ei ole mitään hyötyä. Pääsy sairauskertomuksiin voi olla tietosuojamuurien takana. Hallusinaatiot voivat vaivata. Data ei ole aina vertailtavaa, värjäysten tai skannereiden erot voivat sekoittaa mallit. Yksi slide on gigapikseliluokkaa ja kun niitä pikselimääriä työnnetään tiedostona satojatuhansia laseja laskettavaksi mallille, ei tule mitään. Ainakaan vielä. Varsinkaan niille, joilla ei ole hurjaa laskentakapasiteettia käytettävissä. Käsityötä tarvitaan, kuten nykyisissä yksinkertaisissakin malleissa, joissa kauppa siis käy juuri nyt. Aiforian on kuitenkin oltava mukana noissa foundation-mallien kehityksissä, koska ne voivat breikata jossakin vaiheessa, kuten muutkin tekoälymallit tyyliin GPT:t. Asiakkaat eivät niitä vielä vaadi, mutta Aiforian on hyvä viestiä, että heidän alustansa on siihenkin valmis, kunhan aika on kypsä.
Perplexityllä suomennettuna ja itse tarkastettuna: Jos lauseesta puuttuu osa, löytyy viite alkuperäisestä tekstistä. Robusti voisi tarkoittaa ”sietokykyä”, ”virheensietoa”, ”luotettavuutta eri järjestelmissä”. Fairness voisi olla esim. sovellettavuutta eri väestöissä. Alla olevan kun lukee, on jo kärryillä. Ken sellaista sitten kaipaakaan sijoituskohteeltaan 
Katsauksesta osa:
Foundation-mallit (FMs) muuttavat lääketieteellisten kuvien analysointia oppimalla suurista määristä merkitsemätöntä dataa. Sen sijaan, että ne perustuisivat käsin annotoituihin esimerkkeihin, foundation-mallit esikoulutetaan oppimaan yleiskäyttöisiä visuaalisia piirteitä, joita voidaan myöhemmin soveltaa erityisiin kliinisiin tehtäviin vain vähäisellä lisäohjauksella. Tässä katsauksessa tarkastelemme, miten foundation-malleja kehitetään ja sovelletaan patologiassa, radiologiassa ja oftalmologiassa, hyödyntäen yli 150 tutkimuksen näyttöä. Selitämme foundation-mallien ydinkomponentit, mukaan lukien mallien arkkitehtuurit, itseohjautuvat oppimismenetelmät sekä strategiat jatkosoveltamiseen. Lisäksi käymme läpi, miten foundation-malleja käytetään kussakin kuvantamisen osa-alueessa ja vertailemme suunnitteluratkaisuja eri sovelluksissa. Lopuksi keskustelemme keskeisistä haasteista ja avoimista kysymyksistä, jotka ohjaavat tulevaa tutkimusta.
…
Patologia tarkoittaa sairauksien erottelua kliinisten, makroskooppisten, mikroskooppisten ja molekyylitason ominaisuuksien perusteella vertaamalla niitä ennalta määriteltyihin kriteereihin. Patologian lausunto antaa diagnoosin, mutta sisältää myös tietoa ennusteellisista tekijöistä (sairauden käyttäytyminen) ja ennustettavista tekijöistä (hoitovaste) . Laskennallinen patologia on ottanut käyttöönsä monia työnkulun jatkotehtäviä ja kehittää niihin jatkuvasti parempia ratkaisuja eri menetelmin. Laskennallisessa patologiassa kokonaiskuvalasit (whole slide images, WSI) ovat laajasti käytössä tekoälymallien kouluttamisessa syövän diagnostiikan tarkkuuden parantamiseksi, uusien biomarkkereiden löytämiseksi ja hoitostrategioiden räätälöimiseksi yksilöllisten potilasprofiilien ja kasvaimen erityispiirteiden mukaan . WSI-kuvat saadaan digitoimalla perinteiset patologian lasileikkeet skannereilla, jotka sisältävät ohuita kudosleikkeitä, yleensä värjättyinä hematoksyliini-eosiinilla (H&E) tai immunohistokemiallisilla (IHC) värjäyksillä. Skannauksen aikana koko lasileike kuvataan eri suurennustasoilla, mikä tarjoaa kattavan näkymän kudosnäytteestä aina yleiskuvasta yksittäisten solujen yksityiskohtiin. Tuloksena syntyvien WSI-kuvien gigapikselikoko tekee niiden kokonaisvaltaisesta käsittelystä nykyisellä laitteistolla haastavaa laskenta- ja muistirajoitteiden vuoksi. Siksi WSI-kuvat jaetaan yleensä kiinteällä mikronia per pikseli (MPP) -tarkkuudella pienempiin laattamaisiin osiin, jotka syötetään mallille yksitellen.
Useat tekijät voivat vaikuttaa WSI-kuvien analyysiin. Yksi merkittävä tekijä on manuaalinen käsittely patologian laboratorion esianalyyttisissä vaiheissa, sillä pienetkin menettelytapojen erot voivat aiheuttaa artefaktoja . Lisäksi H&E-värjäysprotokollien vaihtelu laboratorioiden välillä ja erilaisten skannereiden käyttö aiheuttavat värieroja eri keskusten WSI-kuvien välillä , mikä korostaa tarvetta kehittää kestäviä malleja näiden vaihteluiden voittamiseksi.
…
Itseohjautuvan oppimisen (SSL) ja foundation-mallien (FM) kehitys patologiassa on edistynyt merkittävästi viime vuosina ja osoittautunut hedelmälliseksi useissa digitaalisen patologian sovelluksissa. Varhaiset mallit, kuten CTransPath, loivat pohjan alakohtaisille sovelluksille, kun taas myöhemmät ratkaisut, kuten Virchow, toivat mukanaan skaalautuvuuden ja monitehtäväisyyden lasitasolla. Painopiste on siirtynyt sekä datan että mallien koon kasvattamiseen, mikä näkyy esimerkiksi UNI:n ja Phikonin suorituskyvyssä – nämä hyödyntävät laajempia visuaalisia foundation-mallikehyksiä, joihin on tehty erityisiä sovelluksia syöpä- ja patologiakäyttöön. Visuaaliset foundation-mallit ovat olleet tämän kehityksen kärjessä ja parantaneet merkittävästi tuloksia erilaisissa patologian tehtävissä. On kuitenkin tehty myös tutkimusta, jossa yhdistetään kuva- ja kielimallien osaamista, esimerkiksi hyödyntämällä vision-language-alignmentia (kuva- ja kielimallien yhteensovittamista) koko lasin foundation-malleissa sekä kehittämällä visuaalista kysymys-vastaus-mallia patologiaan.
Näistä edistysaskelista huolimatta haasteita on yhä. Datan ja mallien koon kasvattaminen on tuonut huomattavia parannuksia suorituskykyyn, mutta tulokset viittaavat siihen, että kehitys on alkanut tasaantua. Tämä korostaa tarvetta parempaan datan kuratointiin, erityisesti harvinaisten patologioiden ja monipuolisten värjäysprotokollien edustamiseksi. Lisäksi luonnollisille kuville optimoidut perustavanlaatuiset algoritmit saattavat vaatia lisämuokkauksia, jotta ne hyödyntäisivät täysimääräisesti histopatologisen datan erityispiirteitä, kuten korkeaa resoluutiota ja spatiaalista redundanssia. Tulevaisuuden työssä täytyy tasapainottaa skaala ja tehtäväkohtaisuus sekä ratkaista teknisiä haasteita, kuten datan standardointi eri laitosten välillä.
…
Haasteet ja tulevaisuuden suuntaviivat
Foundation-mallit ovat osoittaneet huomattavaa potentiaalia lääketieteellisten kuvien analyysissä, tarjoten parempaa yleistettävyyttä ja robustiutta verrattuna perinteisiin syväoppimismenetelmiin . Kuitenkin useita haasteita on ratkaistava, jotta niiden turvallinen ja tehokas käyttöönotto kliinisessä käytössä olisi mahdollista. Nämä haasteet voidaan jakaa kahteen pääkategoriaan: (1) tekniset esteet mallien kehityksessä ja (2) käytännön haasteet kliinisessä käyttöönotossa. Alla käsittelemme kumpaakin aluetta ja tarjoamme suuntaviivoja tulevalle tutkimukselle.
6.1 Haasteet foundation-mallien teknisessä kehityksessä
Foundation-mallien kehittäminen lääketieteelliseen kuvantamiseen kohtaa useita teknisiä haasteita, kuten rajoitettu pääsy suuriin aineistoihin, korkeat laskennalliset vaatimukset ja mahdolliset skaalausrajoitteet.
6.1.1 Avointen suurten kliinisten aineistojen puute
Toisin kuin luonnollisten kuvien aineistot, lääketieteelliset kuvantamisaineistot ovat usein rajoitetusti saatavilla yksityisyyssäädösten ja/tai instituutioiden politiikkojen vuoksi. Kuten taulukoista 1–7 nähdään, aineistojen saatavuus vaihtelee huomattavasti. Monet suurista aineistoista kuuluvat johonkin kahdesta trendistä: 1) suuret aineistot, jotka on kerätty julkisista lähteistä, kuten Twitteristä tai PubMedistä ja ovat siksi avoimia, tai 2) suuret, suljetut aineistot, kuten Virchow, Phikon, GigaPath tai VisionMAE. Lisäksi internetistä kerätyt aineistot eivät yleensä sisällä täysiä 3D-kuvausvolyymeja eivätkä eri suurennustasoja, joita WSI-kuvissa olisi. Tämä tarkoittaa, että julkisesti saatavilla olevien suurten kliinisten aineistojen puute rajoittaa edelleen toistettavuutta ja yhteistyötä. Hajautetun oppimisen ja differentiaalisen yksityisyyden tutkimus voi auttaa ratkaisemaan näitä haasteita .
6.1.2 Volumetristen aineistojen kasvavat laskennalliset vaatimukset
Monissa tämän katsauksen töissä havaittiin, että suuremmat aineistot paransivat mallien suorituskykyä ja että skaalaus on selkeä trendi. Skaalaaminen on kuitenkin erityisen haastavaa laskennallisesti vaativissa kuvantamismenetelmissä, kuten korkean resoluution WSI-kuvissa sekä tilavuuskuvantamisessa (CT, MRI), myös lääketieteellisen kuvantamisen ulkopuolella . Kun foundation-malleja laajennetaan sekä datan että arkkitehtuurin osalta, tutkimuksen tulisi painottaa tehokkaampien ratkaisujen kehittämistä erityisesti tilavuusaineistojen käsittelyyn .
6.1.3 Patologian foundation-mallien skaalauslait osoittavat tasoittumista
Vaikka datan ja laskentatehon skaalaamisen haasteet jatkuvat, patologiaan liittyvät foundation-mallit ovat menestyneet skaalaamalla, ja jatkotehtävien suorituskyky on yleensä parantunut datan ja mallin koon kasvaessa. Kuitenkin viimeaikaiset tutkimukset osoittavat, että suorituskyky alkaa tasaantua näillä osa-alueilla , mikä johtuu useista tekijöistä.
Laadun merkitys määrän sijaan: Pelkkä datan lisääminen ei välttämättä riitä; tarvitaan parempaa kuratointia, jotta aineisto kattaa laajemmin elimiä, patologioita ja värjäystyyppejä. Esimerkiksi osoitti, että Virchow’n suorituskyky saavutettiin kuratoidulla aineistolla, jossa oli kymmenen kertaa vähemmän lasia. Atlas jopa ylitti Virchow’n suorituskyvyn, vaikka esikoulutusaineisto oli huomattavasti pienempi, koska mukana oli laajempi valikoima skannereita, värjäyksiä ja suurennuksia. Samoin osoitti, että pienempi ViT-B/16-malli, joka esikoulutettiin 4 miljoonalla laatalla iBOT:lla, ylitti Virchow2:n suorituskyvyn kolmessa ulkoisessa validointikohortissa, vaikka Virchow2 oli koulutettu 350 kertaa suuremmalla määrällä histologiakuvia. Tämä korostaa kohdennettujen koulutusstrategioiden merkitystä pelkän skaalaamisen sijaan.
Monipuolisten vertailuaineistojen puute: Jatkotehtävien vertailu perustuu usein julkisiin haasteaineistoihin, mutta tarvitaan laajempi valikoima vertailutehtäviä foundation-mallien arvioimiseksi. havaitsi, että julkisten laatatason vertailujen suorituskyky tasaantuu, ja totesi, että haastavampien biomarkkerien ennustetehtävien käyttäminen tuotti enemmän vaihtelua suorituskyvyssä. Näiden haasteiden ratkaisemiseksi Patho-Bench ja eva tarjoavat standardoituja arviointityökaluja systemaattiseen vertailuun.
Sovittaminen lääketieteelliseen kontekstiin: Nykyiset SSL-kehykset on optimoitu luonnollisille kuville, eivät patologiakuville, joilla on omat erityispiirteensä, kuten puuttuva kanoninen suunta ja värivaihtelu sekä tulkintaerot näkökentästä riippuen . SSL-menetelmät, jotka käyttävät esimerkiksi data-augmentointeja tai esitehtäviä (kuten värjäyksen tai rotaation ennustaminen), saattavat vaatia alakohtaisia mukautuksia. osoitti myös, että vaikka yleiskäyttöisten foundation-mallien skaalaus usein hyödyttää jatkotehtäviä, nämä mallit eivät menesty tasaisesti kaikissa elimissä tai tehtävissä.
Vaikka tutkimuksissa on kokeiltu alakohtaisia säätöjä (esim. painojen alustaminen, data-augmentoinnit, suurennustasot) sekä patologiassa että muilla lääketieteellisen kuvantamisen aloilla , monia avoimia kysymyksiä on vielä jäljellä onnistuneiden SSL-algoritmien kehittämisessä. Koska foundation-malleja kehitetään yhä useammille lääketieteellisen kuvantamisen osa-alueille, nämä kysymykset ovat tärkeitä skaalautuvuuden, yleistettävyyden ja resurssien tehokkaan hyödyntämisen kannalta.
6.2 Haasteet foundation-mallien soveltamisessa kliiniseen käyttöön
Siirtyminen tutkimuksesta kliiniseen käytäntöön lääketieteellisen kuvantamisen foundation-malleilla vaatii useiden keskeisten haasteiden ratkaisemista: mallien selitettävyyden varmistaminen, mahdollisten vinoumien tunnistaminen, oikeudenmukaisuuden ylläpito sekä sääntelyvaatimusten täyttäminen.
6.2.1 Selitettävyys
Lääketieteellisten kuvien analyysiin tarkoitetut foundation-mallit tarvitsevat läpinäkyviä ja tulkittavia tuloksia, jotta kliinikot ja tutkijat voivat ymmärtää, miten malli tekee ennusteita ja mitkä piirteet vaikuttavat niihin. Mallien monimutkaisuus kuitenkin vaikeuttaa niiden toiminnan, vinoumien ja virheiden selittämistä, mikä voi johtaa vakaviin seurauksiin terveydenhuollossa . Selitettävän tekoälyn tekniikat voivat auttaa tässä. Esimerkiksi esitteli tulkittavan hajotusmenetelmän kasvainten luokitteluun ja kehitti säädeltävän ja tulkittavan järjestelmän keuhkokuvien diagnostiikkaan. lisäsi pikselitason epävarmuusarvion SAM-malliin, mahdollistaen segmentoitujen leesioiden luotettavuuden arvioinnin.
6.2.2 Robustius ja yleistettävyys
Foundation-mallien on oltava robustit datan keruun, värjäyksen, skannauslaitteiden ja instituutiokohtaisten protokollien vaihteluille. Ilman tätä robustiutta mallit voivat tuottaa epäluotettavia tuloksia käytännön sovelluksissa. Esimerkiksi havaitsi, että monet nykyiset patologian foundation-mallit koodaavat vahvemmin keskussidonnaisia artefakteja kuin biologisesti merkityksellisiä signaaleja. He ehdottivat robustiusindeksiä, kvantitatiivista mittaria, jolla arvioidaan, kuinka hyvin mallin esitykset perustuvat biologisiin eikä satunnaisiin piirteisiin.
Samoin osoitti, että tiivistetty patologia-FM (H0-mini) ylitti suuremmat mallit robustiudessa, osoittaen kestävyyttä värjäys- ja skannausvaihteluille PLISM-aineistossa. Tämä korostaa, että mallin koko ei aina korreloi robustiuden kanssa ja että tiivistäminen tai muut kohdennetut koulutusmenetelmät voivat parantaa yleistettävyyttä.
Robustisuuden varmistaminen on erityisen tärkeää kliinisessä käytössä, kun malleja siirretään eri instituutioiden välillä tai käytetään poikkeavissa olosuhteissa.
6.2.3 Sovellettavuus, vinouma ja luotettavuus
Vinouma on merkittävä haaste foundation-malleille, erityisesti kliinisissä yhteyksissä, joissa ennusteiden tarkkuus ja oikeudenmukaisuus ovat kriittisiä. Vinoutuneilla aineistoilla koulutetut mallit voivat tuottaa vinoutuneita ennusteita, jotka vaikuttavat epäsuhtaisesti aliedustettuihin ryhmiin . Tämän ratkaiseminen vaatii monipuolista ja edustavaa koulutusdataa sekä kattavia oikeudenmukaisuuden arviointikehyksiä. Tutkimukset, kuten ja , korostavat vinoumien tunnistamisen ja vähentämisen tärkeyttä. Yksi lähestymistapa on kielirajat ylittävä esikoulutus, kuten ehdottaa, mikä auttaa vähentämään vinoumaa kuva-kieli-malleissa. Nämä ratkaisut ovat tärkeitä, jotta foundation-mallit tarjoavat tasapuolisia hyötyjä eri potilasryhmille.
Lisäksi foundation-mallien luotettavuuden varmistaminen muuttujille, kuten skannerityyppi, värjäysprotokollat ja instituutiokohtaiset erot, on olennaista niiden yleistettävyydelle. havaitsi, että monet nykyiset patologian foundation-mallit koodaavat keskussidonnaisia värjäysartefakteja vahvemmin kuin kudos- tai syöpätyyppiin liittyviä biologisia signaaleja. Tämän ratkaisemiseksi he ehdottivat luotettavuusindeksiä, joka mittaa, kuinka paljon mallin esitykset perustuvat biologisiin ominaisuuksiin satunnaisten tekijöiden sijaan. tutki suuren foundation-mallin tiivistämistä huomattavasti pienemmäksi H0-mini-malliksi, joka osoitti erinomaista luotettavuutta värjäys- ja skannausolosuhteiden vaihtelulle ja ylitti muut nykyiset patologian foundation-mallit.
Foundation-mallien skaalaamisen kasvaessa on olemassa riski, että ne muuttuvat saavuttamattomiksi niille instituutioille, joilla on rajalliset laskentaresurssit. Siksi tulisi kannustaa kehittämään tehokkaampia FM-arkkitehtuureja saavutettavuuden parantamiseksi . Lisäksi parametri-tehokkaat hienosäätöstrategiat, kuten korostaa, tarjoavat lupaavan tien laajaan käyttöönottoon ja pienentävät laskentavaatimuksia.
6.2.4 Sääntely
Jotta foundation-mallit voidaan ottaa onnistuneesti käyttöön kliinisessä käytännössä, niiden riskit on hallittava kattavan sääntelyn avulla. Lääketieteelliset kuvantamisen foundation-mallit voivat tuottaa epäluotettavia tuloksia, kuten hallusinaatioita – uskottavia mutta virheellisiä ennusteita, jotka voivat johtaa vääriin diagnooseihin tai virheellisiin hoitoihin. Viimeaikaiset tutkimukset ovat ehdottaneet menetelmiä hallusinaatioiden tunnistamiseksi lääketieteellisissä kuva-kieli-malleissa , mutta lisää tutkimusta tarvitaan näiden lähestymistapojen laajentamiseksi myös kuvapohjaisiin malleihin.
Jatkuva oppiminen on lupaava tutkimussuunta, jotta foundation-mallit voivat sopeutua uusiin tehtäviin, tautimuunnoksiin tai dataan unohtamatta aiemmin opittua tietoa . Tämä sopeutumiskyky on olennaista nopeasti kehittyvällä lääketieteen alalla.
Aiforia perustaa tytäryhtiön vauhdittaakseen kasvuaan Pariisin ja Nantesin voittojen jälkeen.
Tuolta analyytikon kommentit Ranskan tytäryhtiön perustamisesta.
Tytäryhtiö itsessään tuo ennemmin ja aiemmin kuluja kuin tuloja, mutta osakkeenomistajana toki toivon että se edesauttaa Ranskassa paikallisen statuksen ja läsnäolon kautta uusia diilejä ja nopeasti.
En ole alan ammattilainen joten hölmö kysymys varmaan. Mutta kun Aiforia ensisijaisesti helpottaa patologien töitä ja suorittaa niiden kohdalla kuva-analyysejä niin eikö tämmöiselle ole tarvetta muissa kuvantamisissa, joissa radiologi katsoo kuvat ja lausuu lausunnot? (esim. natiivi rtg, CT ja MRI -kuvat).
On tarvetta ja ainakin MRI:ssä jo käytössä. AI käsittääkseni voi laskea MRI sekvenssejä (eli vähentää kuvausaikaa) ja tulkita kuvia (käsittääkseni varsin etevä hahmottamaan kokonaiskuvaa tapauksissa, joissa löydös on hajaantunut hyvin laajalle esim. aivoissa)
Löytyi juttu jossa veraillaan perinteistä ja koneoppimiseen perustuvaa kuva-analyysiä kudosnäytteissä.
Pitkä artikkeli, mutta lopputuloksena Aiforian ohjelmisto suoriutui huomattavasti paremmin.
Kyllä vaan, ja lisäksi on paikallaan todeta, että ko. julkaisusarja on kovatasoinen ja paljon siteerattu. Erinomainen referenssi Aiforialle.
University Hospital Southampton is implementing Aiforia’s PD-L1 lung cancer AI solution to assess PD-L1 staining in lung cancer specimens. Dr Vipul Foria and Dr Victoria Elliot describe their journey so far.
Tuosta edellisen viestin Aiforia - julkaisusta tulee kyllä hyvin esiin hyödyt, ja onkin vähän vaikea ymmärtää miksi kauppaa tulee niin vähän, ja miksi niistä tulee myös niin vähän rahaa…
UK:ssa special grade doctor tienaa luokkaa 100keur, ja ehkä sielläkin on sivukuluja palkan päälle kuten täällä härmässä, sekä työympäristö on sangen kallis, ja työväestä pulaa samalla kun väki vanhenee, ja elää myös pidempää, ja hoitoja kehitetään.
En kyllä tiedä onko kokonainen systeemi sitten kovin kallis, tuskin.
Teköäly näissä hommissa näin maallikon silmin on täysin non-brainer, mutta sääntelykö, vai pelokkuus, vai vanhakantaisuus, vai varovaisuus sitten pitää alan lähtötelineissä…
AI as a helpful assistant
Dr. Elliot hopes to see AI facilitate important but repetitive and time-consuming tasks. “PD-L1 and several other biomarkers are potentially really time-consuming for pathologists to undertake in an analog fashion, and that is what we’re used to at the moment.”
“We’re all very busy, and the demand and capacity issue is ongoing and is probably going to get worse. So, there is inevitably a place for AI. We hope it will save time and make things less arduous. Ultimately, we hope that those efficiencies will be handed on to the clinical service, meaning that we can turn reports and test results around for patients faster, so they can get the treatment they require as soon as possible, particularly for cancer patients, where time is so important.” – Dr. Victoria Elliot
Pay for doctors | Health Careers Pay for doctors | Health Careers
Niin noh Aiforia on kasvanut kilpailijoita nopeammin kuitenkin mitä tulee voitettuihin asiakkuuksiin. Aikaisemmasta kesän haastattelusta ymmärsin, että Italiasta alkaisi tulla rahulia jo enemmän kun käyttöönotto on otettu ja neuvotellaanko nyt sitten mitä Aiforia saa per analyysi? Haastattelussa se jätettiin jotenkin auki, toivottavasti katteet saadaan neuvoteltua kohdilleen kuten pitääkin. Eli kuulosti että Italiassa skannerit jne. on paikoillaan ja alkaa se jatkuva raha tulemaan? Kesän haastattelussa ennen heinäkuuta toimari kyllä myös sanoi että kauppaa tulee ja diilejä klousataan Q2:lle vielä. Kaikista pienemmistä ei varmastikaan tiedotella, mutta nuorena ja kasvavana alana muutos tapahtuu hitaammin kysynnän kokoajan kasvaessa.