Digital Transformation of a Routine Histopathology Lab. Dos and Don'ts!

Viola Iwuajoku,Anette Haas, Kuebra Ekici, Mohammad Zaid Khan,Fabian Stoegbauer,Katja Steiger,Carolin Mogler,Peter J. Schueffler

Deleted Journal（2024）

Tech Univ Munich

Cited 0|Views18

Abstract

ZusammenfassungDie Digitalisierung des histopathologischen Eingangslabors ist ein wichtiger und entscheidender Schritt in der digitalen Transformation der Pathologie. Digitalisierung ermöglicht zahlreiche neue Optionen wie den Zugang zu großen Datensätzen für KI-gestützte Auswertungen, mobiles Arbeiten und Homeoffice für FachärztInnen sowie eine schnellere und vereinfachte Bereitstellung von Bildern und Daten für Forschungsarbeiten, Konferenzen und Tumorboards. Dennoch bedeutet die Umstellung zu einem vollständig digitalen Workflow auch erheblichen Aufwand im technischen und personellen Bereich und benötigt ein durchdachtes und flexibles Changemanagement, um Reibungsverluste gerade im personellen Bereich möglichst gering zu halten und wertvolles Potenzial talentierter, aber möglicherweise veränderungsscheuer Mitarbeiter nicht zu verlieren. Dieser Artikel fasst die Erfahrungswerte unseres Institutes im Hinblick auf technische und personelle Herausforderungen während der Transformation zur digitalen Pathologie zusammen und bietet einen umfassenden Überblick über potenziell problematische Schnittstellen bei der Umstellung des Routinebetriebes auf einen digitalen Workflow.

Translated text

Key words

Workflow,Artificial intelligence,Change management,Computer-assisted image processing,Digital pathology

Bibtex

AI Read Science

AI Summary

AI Summary is the key point extracted automatically understanding the full text of the paper, including the background, methods, results, conclusions, icons and other key content, so that you can get the outline of the paper at a glance.

Example

Background

Key content

Introduction

Methods

Results

Related work

Fund

Key content

Pretraining has recently greatly promoted the development of natural language processing (NLP)
We show that M6 outperforms the baselines in multimodal downstream tasks, and the large M6 with 10 parameters can reach a better performance
We propose a method called M6 that is able to process information of multiple modalities and perform both single-modal and cross-modal understanding and generation
The model is scaled to large model with 10 billion parameters with sophisticated deployment, and the 10 -parameter M6-large is the largest pretrained model in Chinese
Experimental results show that our proposed M6 outperforms the baseline in a number of downstream tasks concerning both single modality and multiple modalities We will continue the pretraining of extremely large models by increasing data to explore the limit of its performance

Try using models to generate summary,it takes about 60s

Must-Reading Tree

Example

Generate MRT to find the research sequence of this paper