Čes-slov Pediat 2025, 80(5):226-230 | DOI: 10.55095/CSPediatrie2025/043

The use of artificial intelligence methods in pathology

Vojtěch Damian, Uladzislau Palichenka, Miroslav Koblížek, Petr Škapa, Josef Zámečník

Ústav patologie a molekulární medicíny, Fakultní nemocnice v Motole, 2. lékařská fakulta Univerzity Karlovy, Praha

Současná patologie prochází zásadní proměnou. Z tradičního morfologického oboru se stává obor na pomezí klasické histopatologie, molekulární biologie a bioinformatiky. Rozvoj na poli výpočetní techniky a umělé

inteligence (AI) umožňuje zpracovávat nejen data, která generují molekulárně patologické analyzátory, ale i mikroskopické obrazy získané pomocí vysokokapacitních skenerů.

Digitalizované mikroskopické preparáty, tzv. whole slide images (WSI), je tak možné dále podrobovat algoritmickému zpracování pomocí celého spektra nástrojů strojového učení, mimo jiné také hlubokého učení založeného na umělých neuronových sítích. Právě nástroje založené na hlubokém učení otevřely nové možnosti v oblasti diagnostiky. Ukazuje se, že jsou schopné

detekovat nádory či metastázy v lymfatických uzlinách, rychle odhadovat jejich grade, a dokonce predikovat molekulárně patologické změny nádorových onemocnění.

Podobně jako v ostatních medicínských oborech ani v patologii není digitalizace bez svých úskalí. Výroba histologického preparátu je především ruční prací, a tak je nutné klást velký důraz na její kvalitu, na níž je pak

závislé správné fungování skenerů a následně i digitálně patologických nástrojů. Mimo tyto pro patologii specifické limitace narážíme i na překážky legislativní, ekonomické a technologické, jako je archivace a zpracování ohromných objemů dat v řádu stovek až tisíců terabytů ročně.

Digitální a výpočetní patologie představují dynamicky se vyvíjející diagnostický obor s výrazným dopadem na budoucnost nádorové diagnostiky a personalizované medicíny.

Modern pathology is currently undergoing a fundamental transformation. It is evolving from a purely morphological discipline to a

n integrated field that combines histopathology with molecular biology and bioinformatics. Rapid advances in computational technology and artificial

intelligence (AI) have enabled the processing of not only data generated by molecular pathology analyzers, but also of microscopic images, produced by high-capacity slide scanners.

These digitized microscopic slides, also known as whole slide images (WSI)

, can then be algorithmically processed using a wide range of machine learning tools, including deep learning, a subset of machine learning based on artificial neural networks. These deep learning-based approaches have opened new possibilities in diagnostics. They have demonstrated the ability to, among others, detect tumors and lymph node metastases, estimate tumor grade, and even

predict molecular alterations.

As in other disciplines of medicine, digitization in pathology is not without its challenges. The preparation of histological slides remains largely a manual process making it essential to maintain high-quality standards, as scanners and digital pathology tools rely heavily on clear, artefact-free slides to function properly

In addition to these pathology-specific limitations, broader economic, legal, and technical challenges must also be addressed, including the storage and analysis of massive volumes of data, which may reach hundreds or even thousands of terabytes annually.

Digital and computational pathology are rapidly advancing fields with profound implications for the future of cancer diagnostics and personalized medicine.

Keywords: digital pathology, computational pathology, artificial intelligence, deep learning

Accepted: September 3, 2025; Published: June 1, 2025  Show citation