• Das neue Medici-Modell der ASI Alliance zielt auf die Erkennung von Lymphknotenmetastasen bei Krebspatienten ab und wird von Fetch.AI integriert.
  • Der globale Markt für Pathologielabore wurde 2024 auf 386,18 Milliarden USD geschätzt und soll bis 2030 mit einer jährlichen Wachstumsrate von 8,10 % wachsen.

Die Artificial Superintelligence Alliance (ASI) hat das neueste Mitglied ihrer Medici-Modellfamilie vorgestellt – ein spezialisiertes KI-System zur Erkennung von Tumoren in der Pathologie, das die Krebsdiagnostik verbessern soll.

Das von Fetch.ai integrierte und auf den Markt gebrachte Modell baut auf der Vision der ASI-Initiative auf, domänenspezifische Grundlagenmodelle für komplexe Probleme zu entwickeln.

Das Modell zur Tumorerkennung in der Pathologie arbeitet in Synergie mit ASI ONE durch eine ausgeklügelte Mixture-of-Experts-Architektur und demonstriert, wie spezialisierte KI-Modelle eine größere Wissenstiefe und Präzision liefern können als Allzweckansätze.

Dieses Modell konzentriert sich ausschließlich auf die kritische Aufgabe der Identifizierung von Lymphknotenmetastasen bei Krebspatienten, insbesondere bei Brustkrebs. Es zielt auf eine spezifische medizinische Herausforderung ab, die erhebliche Auswirkungen auf Patientenergebnisse und Behandlungsentscheidungen hat.

Marktpotenzial und wirtschaftliche Auswirkungen

Der globale Markt für Pathologielabore wurde 2024 auf 386 Milliarden USD geschätzt und soll von 2025 bis 2030 mit einer jährlichen Rate von 8,10 % wachsen.

Der Markt wird maßgeblich beeinflusst durch die Expansion von Gesundheitseinrichtungen in Entwicklungsländern, die erhöhte Nachfrage nach regelmäßigen medizinischen Untersuchungen und Verbesserungen bei den Erstattungsrichtlinien für diagnostische Tests.

Das ASI Medici Pathologie-Tumorerkennungsmodell könnte mehrere Aspekte der Onkologie und Pathologie beeinflussen. Die diagnostische Genauigkeit könnte durch präzisere Identifizierung von Lymphknotenmetastasen verbessert werden, was zu einer zuverlässigeren Krebsstadienbestimmung und Behandlungsplanung führen könnte.

Studien haben gezeigt, dass KI-Unterstützung bei der pathologischen Untersuchung die Überprüfungszeit von Objektträgern erheblich reduzieren kann. Eine 2024 im Journal of Pathology Informatics veröffentlichte Studie zeigte, dass ein KI-Modell zur Erkennung von Lymphknotenmetastasen bei Prostatakrebs die Überprüfungszeit der Pathologen um 27-34 % reduzierte, während die diagnostische Genauigkeit erhalten blieb.

Technische Architektur und Integration

Die ASI-Initiative mit der Medici-Modellfamilie, die über ASI Mini als Orchestrierungsschicht bereitgestellt wird, bietet Möglichkeiten, die über die traditionelle KI-Modellbereitstellung hinausgehen.

Diese Systemarchitektur könnte mehrere Wertströme und Wettbewerbsvorteile schaffen, die die Artificial Superintelligence Alliance als potenziellen Akteur im Bereich der Pathologie positionieren.

Dieser Ansatz könnte die für kritische medizinische Anwendungen erforderliche Spezifität und Präzision bewahren und gleichzeitig die Effizienz und Zugänglichkeit einer einheitlichen Plattform aufrechterhalten.

Die Integration von CNNs zur Erkennung von Metastasen auf Patch-Ebene zusammen mit der Klassifizierung von Lymphknoten auf Slide-Ebene hat sich als wirksam bei der Vorhersage des pN-Stadiums von Brustkrebs erwiesen.

Diese Kombination ermöglicht eine präzisere und effizientere Identifizierung der Lymphknotenbeteiligung und erleichtert so eine schnellere und genauere Stadienbestimmung.

Weiterlesen: Aptos Foundation investiert in Universal Health Token für dezentralisierte Gesundheitslösungen