Medizinische KI-Plattform HALO AI

für die medizinische Forschungfür Histopathologie-Laborfür medizinische Bildgebung

Übersicht
HALO AI von Indica Labs ist eine trainierbare KI-Plattform für die digitale Pathologie, die Segmentierung, Klassifikation und Phänotypisierung ermöglicht. Auf Grundlage moderner Deep-Learning-Netze ist sie für Hellfeld- und Fluoreszenzanwendungen über eine Train-by-Example-Oberfläche ausgerichtet. Intuitive Workflows erfordern keine Programmier- oder KI-Kenntnisse und erlauben Anwendern, Gewebe-Klassen und Zellphänotypen zu definieren oder neuronale Netze durch Zeichnen von Annotationen zu trainieren.

Integration
HALO AI ist in HALO Link und HALO-Plattformen integriert, um kollaborative Bildverwaltung und quantitative Bildanalyse-Workflows zu unterstützen.

Hauptfunktionen

• Train-by-Example-Oberfläche zur einfachen Erstellung kundenspezifischer Klassifikatoren und Segmentierer.
• KI-gestütztes Annotationstool zur schnellen Erfassung von Trainingsannotationen durch Zeigen und Klicken auf relevante Objekte.
• Echtzeit-Tuning, das den Trainingsfortschritt live anzeigt, interaktive Parameteränderungen erlaubt und die Auswahl von Wahrscheinlichkeits-Schwellen über Heatmap-Ausgaben unterstützt.
• Unterstützt Wahrscheinlichkeitskarten als Alternative zu traditionellen Masken für die Leistungsevaluierung.
• Interaktive Markups zum Ein-/Ausblenden interessierender Populationen, kombinierbar mit Wahrscheinlichkeits-Thresholding für Validierungsexplorationen.
• Vortrainierte Nuklear- und Membransegmentierer verfügbar; HALO AI ermöglicht Optimierung für maßgeschneiderte Anwendungen bei Bedarf.
• Robust gegenüber Variabilität in Morphologie, Färbeprotokollen, Gewebequalität und ungleichmäßiger Färbung; kann über diverse Färbungen trainiert werden (Beispiele: PAMS, Trichrome, H&E, IHC).
• Möglichkeit, mehrere HALO AI-Klassifikatoren zu Klassifikator-Pipelines für komplexe Workflows zu verketten.

Apps (vortrainierte HALO AI-Klassifikatoren / Phenyotyper)

• Breast IHC Tumor Tissue Detection — vortrainierter Klassifikator zur Erkennung, Segmentierung und Quantifizierung von Tumor- und sonstigen Bereichen in hämatoxylin- und DAB-gefärbten Whole-Slide-Bildern von Brustkrebs.
• NSCLC IHC Tumor Tissue Detection — vortrainierter Klassifikator zur Erkennung, Segmentierung und Quantifizierung von Tumor- und Nicht-Tumor-Bereichen in hämatoxylin- und DAB-gefärbten Whole-Slide-Bildern von NSCLC.
• NSCLC IHC Cancer Cell Phenotyper — vortrainierter Objekt-Phenotyper zur Erkennung, Segmentierung und Quantifizierung von nicht-krebsartigen Zellen, IHC-positiven und IHC-negativen Krebszellen bei NSCLC.
• Pan Cancer H&E Lymphocyte Cell Phenotyper — vortrainierter Objekt-Phenotyper zur Erkennung und Quantifizierung von Lymphozyten in H&E-Whole-Slide-Bildern verschiedener Tumortypen.
• Gastric H&E Tumor Tissue Detection — Masking-Klassifikator zur Segmentierung von Tumor, Stroma, Nekrose/Anderes und Glasbereichen in H&E-Bildern von Magenkrebs.
• HNSCC H&E Tumor Tissue Detection — Masking-Klassifikator für H&E-Bilder von Kopf-Hals-Plattenepithelkarzinomen zur Segmentierung von Tumor, Stroma, Nekrose/Anderes und Glasbereichen.
• NSCLC H&E Tumor Tissue Detection — Masking-Klassifikator für NSCLC Whole-Slide-Bilder in H&E.
• Ovarian H&E Tumor Tissue Detection — Masking-Klassifikator für Ovarialkarzinom Whole-Slide-Bilder in H&E.

Anwendung und Ausgaben
Sobald HALO AI-Netze trainiert sind, können sie in HALO-Module integriert werden, um den Nutzen in Analyse-Pipelines zu maximieren. Ausgaben umfassen Segmentierungs-Masken und Wahrscheinlichkeitskarten; Wahrscheinlichkeits-Thresholding und interaktive Markups können zur Verfeinerung und Validierung der Ergebnisse genutzt werden.

Regulatorischer Hinweis
For Research Use Only. Not for Use in Diagnostic Procedures.

Technische Spezifikationen

• Train-by-Example-Deep-Learning für Hellfeld- und Fluoreszenzaufnahmen.
• KI-Annotationstool zur schnellen Generierung von Ground Truth.
• Echtzeit-Visualisierung des Trainings und On-the-Fly-Parameteranpassung.
• Unterstützt Ausgaben als Wahrscheinlichkeitskarten und traditionelle Maskenausgaben.
• Vortrainierte Modelle für nukleare und membranäre Segmentierung verfügbar; kundenspezifisches Training wird für spezielle Anwendungsfälle unterstützt.
• Konzipiert für den Umgang mit variablen Färbetypen und Gewebequalität (Beispiele: PAMS, Trichrome, H&E, IHC).
• Integriert sich in HALO Link für kollaboratives Bildmanagement und studienbasierte Sammlung von Trainingsdaten.