Plataforma de IA para el sector médico HALO AI

para la investigación médicade laboratorio de histopatologíapara imágenes médicas

Resumen
HALO AI de Indica Labs es una plataforma de inteligencia artificial entrenable para patología digital que permite segmentación, clasificación y fenotipado. Basada en redes profundas modernas, está ajustada para aplicaciones en campo claro y fluorescencia mediante una interfaz de entrenamiento por ejemplos. Los flujos de trabajo intuitivos no requieren programación ni conocimientos de IA y permiten definir clases tisulares y fenotipos celulares o entrenar redes neuronales dibujando anotaciones.

Integración
HALO AI se integra con HALO Link y las plataformas HALO para soportar la gestión colaborativa de imágenes y los flujos de trabajo de análisis de imagen cuantitativo.

Características clave

• Interfaz de entrenamiento por ejemplos para crear fácilmente clasificadores y segmentadores personalizados.
• Herramienta de anotación impulsada por IA para adquirir rápidamente anotaciones de entrenamiento señalando y haciendo clic en objetos de interés.
• Ajuste en tiempo real que muestra el progreso del entrenamiento en vivo, permite cambios interactivos de parámetros y soporta la selección de umbrales de probabilidad usando salidas tipo mapa de calor.
• Soporta salidas en mapas de probabilidad como alternativa a las máscaras tradicionales para evaluación de rendimiento.
• Marcas interactivas que permiten activar/desactivar poblaciones de interés, combinables con umbrales de probabilidad para exploración de validación.
• Segmentadores nucleares y de membrana preentrenados disponibles; HALO AI permite optimización para aplicaciones específicas cuando es necesario.
• Resistente a la variabilidad en morfología, protocolos de tinción, calidad del tejido y tinción desigual; puede entrenarse con diversos colorantes (ejemplos: PAMS, Trichrome, H&E, IHC).
• Capacidad de encadenar múltiples clasificadores HALO AI en pipelines de clasificadores para flujos de trabajo complejos.

Apps (clasificadores / fenotipadores HALO AI preentrenados)

• Breast IHC Tumor Tissue Detection — clasificador preentrenado para detectar, segmentar y cuantificar áreas tumorales y otras en imágenes de lámina completa de cáncer de mama teñidas con hematoxilina y DAB.
• NSCLC IHC Tumor Tissue Detection — clasificador preentrenado para detectar, segmentar y cuantificar áreas tumorales y no tumorales en imágenes de lámina completa de NSCLC teñidas con hematoxilina y DAB.
• NSCLC IHC Cancer Cell Phenotyper — fenotipador de objetos preentrenado para detectar, segmentar y cuantificar células no cancerosas, células cancerosas IHC-positivas y IHC-negativas en NSCLC.
• Pan Cancer H&E Lymphocyte Cell Phenotyper — fenotipador de objetos preentrenado para detectar y cuantificar linfocitos en imágenes H&E de distintos tipos tumorales.
• Gastric H&E Tumor Tissue Detection — clasificador de enmascaramiento diseñado para segmentar tumor, estroma, necrosis/otra y áreas de cristal en imágenes H&E de cáncer gástrico.
• HNSCC H&E Tumor Tissue Detection — clasificador de enmascaramiento para imágenes H&E de carcinoma escamoso de cabeza y cuello, segmentando tumor, estroma, necrosis/otra y áreas de cristal.
• NSCLC H&E Tumor Tissue Detection — clasificador de enmascaramiento para imágenes H&E de lámina completa de NSCLC.
• Ovarian H&E Tumor Tissue Detection — clasificador de enmascaramiento para imágenes H&E de lámina completa de cáncer de ovario.

Uso y salidas
Las redes HALO AI, una vez entrenadas, pueden incorporarse en módulos HALO para maximizar su utilidad a través de pipelines de análisis. Las salidas incluyen máscaras de segmentación y mapas de probabilidad; el umbral de probabilidad y las marcas interactivas pueden usarse para refinar y validar resultados.

Nota regulatoria
For Research Use Only. Not for Use in Diagnostic Procedures.

Especificaciones técnicas

• Deep learning por entrenamiento por ejemplos para imágenes de campo claro y fluorescencia.
• Herramienta de anotación IA para generación rápida de datos de referencia.
• Visualización de entrenamiento en tiempo real y ajuste de parámetros sobre la marcha.
• Soporta salidas en mapas de probabilidad y enmascaramientos tradicionales.
• Modelos de segmentación nuclear y de membrana preentrenados disponibles; se admite entrenamiento personalizado para casos de uso específicos.
• Diseñado para manejar tipos variables de tinción y calidad tisular (ejemplos: PAMS, Trichrome, H&E, IHC).
• Se integra con HALO Link para la gestión colaborativa de imágenes y la recolección de datos de entrenamiento por estudio.