IA en pathologie numérique : 24 sources placent détection et gradation en tête ; la prédiction moléculaire reste rétrospective

Zenodo 2026 · 1 min de lecture
Sources examinées
24
Choisies pour couvrir les tâches, les stades de preuve et l’applicabilité régionale
Sources latino-américaines directes
2
Un panel Delphi d’experts et une revue narrative avec panel ; aucune ne mesure l’efficacité
Pays du panel Delphi régional
7
Argentine, Brésil, Chili, Colombie, Équateur, Mexique et Pérou

Livre blanc d’Arkangel AI : 24 sources montrent une IA plus mûre pour la détection et la gradation sur lames, avec 2 sources latino-américaines directes.

Ce livre blanc d’Arkangel AI est une synthèse de preuves destinée à la communauté sur l’intelligence artificielle en pathologie numérique, fondée sur 24 sources sélectionnées après une recherche exploratoire et une mise à jour ciblée dans Europe PMC en juillet 2026. Il organise les preuves par tâche (détection et priorisation sur lames entières numérisées, gradation et quantification, prédiction moléculaire ou du tissu d’origine, flux de travail et télépathologie) et par stade, du développement rétrospectif à l’usage courant.

Les usages les plus mûrs sont les tâches circonscrites de détection ou de priorisation et l’aide à la gradation ou à la quantification, comme la détection de métastases ganglionnaires et la gradation de Gleason ; la prédiction d’altérations moléculaires ou du tissu d’origine à partir de l’histologie reste surtout rétrospective et ne remplace pas les tests moléculaires. Seules deux sources latino-américaines directes ont été trouvées, un panel Delphi couvrant sept pays et une revue d’experts, qui décrivent des obstacles de coût, de connectivité, de réglementation, de formation et d’interopérabilité sans mesurer l’efficacité. Les auteurs recommandent des tâches vérifiables, une validation par laboratoire, coloration et scanner, et une responsabilité professionnelle explicite. Il s’agit d’un livre blanc, ni revue systématique ni évalué par des pairs.

Résultats en un coup d’œil

Les chiffres clés de l’article, en langage simple.

IndicateurValeurCe que cela signifie
Sources examinées24Choisies pour couvrir les tâches, les stades de preuve et l’applicabilité régionale
Sources latino-américaines directes2Un panel Delphi d’experts et une revue narrative avec panel ; aucune ne mesure l’efficacité
Pays du panel Delphi régional7Argentine, Brésil, Chili, Colombie, Équateur, Mexique et Pérou

Comment citer

Katherine Monsalve, Natalia Castaño-Villegas, Jose Zea, Laura Velásquez. Supportive AI in Digital Pathology Evidence, Limitations, and Governance for Latin America. Zenodo. 2026. https://doi.org/10.5281/zenodo.23024156

@article{monsalve2026supportive,
  title     = {{Supportive AI in Digital Pathology Evidence, Limitations, and Governance for Latin America}},
  author    = {Katherine Monsalve and Natalia Castaño-Villegas and Jose Zea and Laura Velásquez},
  journal   = {Zenodo},
  year      = {2026},
  doi       = {10.5281/zenodo.23024156},
  url       = {https://doi.org/10.5281/zenodo.23024156}
}

Plus de recherche d’Arkangel AI

Toute la recherche →

Pour les hôpitaux et les assureurs

Validez ces résultats dans votre établissement

Nous testons le modèle sur vos propres dossiers cliniques avec votre équipe, selon vos règles de confidentialité et de gouvernance.

Lancer une collaboration
Lire l’articleCiter