contentSlug

type

ContentSlug_ContentQuery

slug

ContentPageContentQuery

content

trendingContent

query ContentSlug_ContentQuery(
  $contentSlug: String!
  $type: [ContentType!]
) {
  ...ContentPageContentQuery_13QmVO
}

fragment CompanyDetails_Content on Content {
  __isContent: __typename
  companies {
    name
    description
    pageUrl
    id
  }
}

fragment CompanyTagList on Company {
  pageUrl
  name
  viewerIsFollowing
}

fragment ContentBasicInfo on Content {
  __isContent: __typename
  id
  type
  title
  lang
  companies {
    ...CompanyTagList
    id
  }
  ...PublishingDetails
  ...Reactions
}

fragment ContentMetadata on Content {
  __isContent: __typename
  type
  title
  lang
  pageUrl
  alternatePageUrls: translations {
    __typename
    pageUrl
    lang
  }
  imgUrl
  description
  ... on Video {
    liveTime
    videoUrl
  }
  ... on Webcast {
    liveTime
    videoUrl
  }
}

fragment ContentPageContentQuery_13QmVO on Query {
  content(slug: $contentSlug, type: $type) {
    __typename
    id
    type
    title
    isPremium
    lang
    htmlBody
    companies {
      forum {
        latestPosts {
          ...ForumPosts
        }
      }
      defaultInstrument {
        isin
        id
        marketOpen
        marketClose
        marketplace {
          region
        }
        returns {
          total
        }
      }
      id
    }
    createdAt
    ... on Video {
      liveTime
    }
    ... on Webcast {
      liveTime
    }
    slug
    ... on CompanyReport {
      reportUrl
    }
    ... on ThirdPartyCompanyReport {
      reportUrl
    }
    ... on StockExchangeRelease {
      reportUrl
    }
    ...ContentBasicInfo
    ...ContentMetadata
    ...PriceAndRecommendation_Content
    ...CompanyDetails_Content
    ...ReportLink_Content
    ...KeyFigures_Content
  }
  ...TrendingContent_1jQ2Cn
}

fragment ForumPosts on ForumPost {
  text
  likesCount
  url
  author
  postedAt
  authorImgUrl
}

fragment KeyFigures_Content on Content {
  __isContent: __typename
  companies {
    defaultInstrument {
      estimateData {
        modelType
        reportingCurrency
      }
      snapshot {
        transaction {
          date
          actualized {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
          }
          estimates {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
          }
        }
      }
      id
    }
    id
  }
}

fragment PriceAndRecommendation_Content on Content {
  __isContent: __typename
  createdAt
  companies {
    id
    name
    pageUrl
    viewerIsFollowing
    defaultInstrument {
      snapshot {
        priceData {
          date
          lastPrice
          tradeCurrency
        }
        transaction {
          date
          recommendation
          targetPrice
        }
        prevTransaction {
          recommendation
        }
      }
      id
    }
  }
}

fragment PublishingDetails on Content {
  __isContent: __typename
  createdAt
  publishers {
    name
    imgUrl
  }
  authors {
    __typename
    id
    name
    slug
    imgUrl
    jobTitle
  }
  ... on Video {
    liveTime
  }
  ... on Webcast {
    liveTime
  }
}

fragment Reactions on Content {
  __isContent: __typename
  id
  reactionGroups {
    reactionType
    reactionsCount
    viewerReacted
  }
}

fragment ReportLink_Content on Content {
  __isContent: __typename
  type
  isPremium
  ... on CompanyReport {
    reportUrl
  }
  ... on ThirdPartyCompanyReport {
    reportUrl
  }
  ... on StockExchangeRelease {
    reportUrl
  }
}

fragment TrendingContent_1jQ2Cn on Query {
  trendingContent(type: ARTICLE) {
    __typename
    id
    title
    lang
    pageUrl
    createdAt
    type
    imgUrl
    companies {
      squareLogoUrl
      id
    }
    authors {
      __typename
      imgUrl
      id
    }
    publishers {
      imgUrl
    }
  }
}


aiforia-technologies-plc-disclosure-under-chapter-9-section-10-of-the-securities-market-act-sto-rahoitus-oys-holding-in-aiforia-technologies-plc

__typename

title

isPremium

lang

htmlBody

companies

createdAt

publishers

authors

reactionGroups

pageUrl

translations

imgUrl

description

Aiforia tarjoaa patologeille ja tutkijoille prekliinisissä ja kliinisissä laboratorioissa tehokkaan syväoppivan tekoälyohjelmiston, jonka avulla kuvista voidaan tehdä löydöksiä, päätöksiä ja diagnooseja. Aiforian pilvipohjaisten tuotteiden ja palvelujen tavoitteena on parantaa lääketieteellisten kuvien analysoinnin tehokkuutta ja tarkkuutta monilla eri aloilla, onkologiasta neurotieteeseen.

Inderes              Aiforia perustaa tytäryhtiön Ranskaan vahvistaakseen asemaansa Euroopan...    Aiforia perustaa tytäryhtiön Ranskaan vahvistaakseen asemaansa Euroopan markkinoillaAiforia Technologies Oyj, Lehdistötiedote, 9.7.2025 klo 9:00Aiforia Technologies Oyj on perustanut tytäryhti...                             Aiforia perustaa tytäryhtiön vauhdittaakseen kasvuaan Pariisin ja Nantesin voittojen jälkeen.

linkedin.com              Aiforia incorporates foundation models into the semantic segmentation, object...    Aiforia incorporates foundation models into the semantic segmentation, object detection, and instance segmentation workflows in Aiforia® Create, Aiforia’s versatile tool for developing AI models for image analysis in digital pathology.  To learn...                             ——————————— Hollantilaisten tutkijoiden katsausartikkeli foundation-malleista FOUNDATION MODELS IN MEDICAL IMAGING- A REVIEW AND OUTLOOK https://arxiv.org/pdf/2506.09095 TL;DR Katsaus osoittaa, että ollaan vielä alkuaskeleissa näissä foundation-malleissa. Se, että dataa työnnetään mallille kuratoimatta, ei riitä. Lisäksi se pitää yhdistää sairauskertomusten tietoihin eli tekstiin, diagnooseihin, elinaikaan jne, muuten siitä ei ole mitään hyötyä. Pääsy sairauskertomuksiin voi olla tietosuojamuurien takana. Hallusinaatiot voivat vaivata. Data ei ole aina vertailtavaa, värjäysten tai skannereiden erot voivat sekoittaa mallit. Yksi slide on gigapikseliluokkaa ja kun niitä pikselimääriä työnnetään tiedostona satojatuhansia laseja laskettavaksi mallille, ei tule mitään. Ainakaan vielä. Varsinkaan niille, joilla ei ole hurjaa laskentakapasiteettia käytettävissä. Käsityötä tarvitaan, kuten nykyisissä yksinkertaisissakin malleissa, joissa kauppa siis käy juuri nyt. Aiforian on kuitenkin oltava mukana noissa foundation-mallien kehityksissä, koska ne voivat breikata jossakin vaiheessa, kuten muutkin tekoälymallit tyyliin GPT:t. Asiakkaat eivät niitä vielä vaadi, mutta Aiforian on hyvä viestiä, että heidän alustansa on siihenkin valmis, kunhan aika on kypsä. Perplexityllä suomennettuna ja itse tarkastettuna: Jos lauseesta puuttuu osa, löytyy viite alkuperäisestä tekstistä. Robusti voisi  tarkoittaa ”sietokykyä”, ”virheensietoa”, ”luotettavuutta eri järjestelmissä”. Fairness voisi olla esim. sovellettavuutta eri väestöissä. Alla olevan kun lukee, on jo kärryillä. Ken sellaista sitten kaipaakaan sijoituskohteeltaan  Katsauksesta osa: Foundation-mallit (FMs) muuttavat lääketieteellisten kuvien analysointia oppimalla suurista määristä merkitsemätöntä dataa. Sen sijaan, että ne perustuisivat käsin annotoituihin esimerkkeihin, foundation-mallit esikoulutetaan oppimaan yleiskäyttöisiä visuaalisia piirteitä, joita voidaan myöhemmin soveltaa erityisiin kliinisiin tehtäviin vain vähäisellä lisäohjauksella. Tässä katsauksessa tarkastelemme, miten foundation-malleja kehitetään ja sovelletaan patologiassa, radiologiassa ja oftalmologiassa, hyödyntäen yli 150 tutkimuksen näyttöä. Selitämme foundation-mallien ydinkomponentit, mukaan lukien mallien arkkitehtuurit, itseohjautuvat oppimismenetelmät sekä strategiat jatkosoveltamiseen. Lisäksi käymme läpi, miten foundation-malleja käytetään kussakin kuvantamisen osa-alueessa ja vertailemme suunnitteluratkaisuja eri sovelluksissa. Lopuksi keskustelemme keskeisistä haasteista ja avoimista kysymyksistä, jotka ohjaavat tulevaa tutkimusta. … Patologia tarkoittaa sairauksien erottelua kliinisten, makroskooppisten, mikroskooppisten ja molekyylitason ominaisuuksien perusteella vertaamalla niitä ennalta määriteltyihin kriteereihin. Patologian lausunto antaa diagnoosin, mutta sisältää myös tietoa ennusteellisista tekijöistä (sairauden käyttäytyminen) ja ennustettavista tekijöistä (hoitovaste) . Laskennallinen patologia on ottanut käyttöönsä monia työnkulun jatkotehtäviä ja kehittää niihin jatkuvasti parempia ratkaisuja eri menetelmin. Laskennallisessa patologiassa kokonaiskuvalasit (whole slide images, WSI) ovat laajasti käytössä tekoälymallien kouluttamisessa syövän diagnostiikan tarkkuuden parantamiseksi, uusien biomarkkereiden löytämiseksi ja hoitostrategioiden räätälöimiseksi yksilöllisten potilasprofiilien ja kasvaimen erityispiirteiden mukaan . WSI-kuvat saadaan digitoimalla perinteiset patologian lasileikkeet skannereilla, jotka sisältävät ohuita kudosleikkeitä, yleensä värjättyinä hematoksyliini-eosiinilla (H&E) tai immunohistokemiallisilla (IHC) värjäyksillä. Skannauksen aikana koko lasileike kuvataan eri suurennustasoilla, mikä tarjoaa kattavan näkymän kudosnäytteestä aina yleiskuvasta yksittäisten solujen yksityiskohtiin. Tuloksena syntyvien WSI-kuvien gigapikselikoko tekee niiden kokonaisvaltaisesta käsittelystä nykyisellä laitteistolla haastavaa laskenta- ja muistirajoitteiden vuoksi. Siksi WSI-kuvat jaetaan yleensä kiinteällä mikronia per pikseli (MPP) -tarkkuudella pienempiin laattamaisiin osiin, jotka syötetään mallille yksitellen. Useat tekijät voivat vaikuttaa WSI-kuvien analyysiin. Yksi merkittävä tekijä on manuaalinen käsittely patologian laboratorion esianalyyttisissä vaiheissa, sillä pienetkin menettelytapojen erot voivat aiheuttaa artefaktoja . Lisäksi H&E-värjäysprotokollien vaihtelu laboratorioiden välillä ja erilaisten skannereiden käyttö aiheuttavat värieroja eri keskusten WSI-kuvien välillä , mikä korostaa tarvetta kehittää kestäviä malleja näiden vaihteluiden voittamiseksi. … Itseohjautuvan oppimisen (SSL) ja foundation-mallien (FM) kehitys patologiassa on edistynyt merkittävästi viime vuosina ja osoittautunut hedelmälliseksi useissa digitaalisen patologian sovelluksissa. Varhaiset mallit, kuten CTransPath, loivat pohjan alakohtaisille sovelluksille, kun taas myöhemmät ratkaisut, kuten Virchow, toivat mukanaan skaalautuvuuden ja monitehtäväisyyden lasitasolla. Painopiste on siirtynyt sekä datan että mallien koon kasvattamiseen, mikä näkyy esimerkiksi UNI:n ja Phikonin suorituskyvyssä – nämä hyödyntävät laajempia visuaalisia foundation-mallikehyksiä, joihin on tehty erityisiä sovelluksia syöpä- ja patologiakäyttöön. Visuaaliset foundation-mallit ovat olleet tämän kehityksen kärjessä ja parantaneet merkittävästi tuloksia erilaisissa patologian tehtävissä. On kuitenkin tehty myös tutkimusta, jossa yhdistetään kuva- ja kielimallien osaamista, esimerkiksi hyödyntämällä vision-language-alignmentia (kuva- ja kielimallien yhteensovittamista) koko lasin foundation-malleissa sekä kehittämällä visuaalista kysymys-vastaus-mallia patologiaan. Näistä edistysaskelista huolimatta haasteita on yhä. Datan ja mallien koon kasvattaminen on tuonut huomattavia parannuksia suorituskykyyn, mutta tulokset viittaavat siihen, että kehitys on alkanut tasaantua. Tämä korostaa tarvetta parempaan datan kuratointiin, erityisesti harvinaisten patologioiden ja monipuolisten värjäysprotokollien edustamiseksi. Lisäksi luonnollisille kuville optimoidut perustavanlaatuiset algoritmit saattavat vaatia lisämuokkauksia, jotta ne hyödyntäisivät täysimääräisesti histopatologisen datan erityispiirteitä, kuten korkeaa resoluutiota ja spatiaalista redundanssia. Tulevaisuuden työssä täytyy tasapainottaa skaala ja tehtäväkohtaisuus sekä ratkaista teknisiä haasteita, kuten datan standardointi eri laitosten välillä. … Haasteet ja tulevaisuuden suuntaviivat Foundation-mallit ovat osoittaneet huomattavaa potentiaalia lääketieteellisten kuvien analyysissä, tarjoten parempaa yleistettävyyttä ja robustiutta verrattuna perinteisiin syväoppimismenetelmiin . Kuitenkin useita haasteita on ratkaistava, jotta niiden turvallinen ja tehokas käyttöönotto kliinisessä käytössä olisi mahdollista. Nämä haasteet voidaan jakaa kahteen pääkategoriaan: (1) tekniset esteet mallien kehityksessä ja (2) käytännön haasteet kliinisessä käyttöönotossa. Alla käsittelemme kumpaakin aluetta ja tarjoamme suuntaviivoja tulevalle tutkimukselle. 6.1 Haasteet foundation-mallien teknisessä kehityksessä Foundation-mallien kehittäminen lääketieteelliseen kuvantamiseen kohtaa useita teknisiä haasteita, kuten rajoitettu pääsy suuriin aineistoihin, korkeat laskennalliset vaatimukset ja mahdolliset skaalausrajoitteet. 6.1.1 Avointen suurten kliinisten aineistojen puute Toisin kuin luonnollisten kuvien aineistot, lääketieteelliset kuvantamisaineistot ovat usein rajoitetusti saatavilla yksityisyyssäädösten ja/tai instituutioiden politiikkojen vuoksi. Kuten taulukoista 1–7 nähdään, aineistojen saatavuus vaihtelee huomattavasti. Monet suurista aineistoista kuuluvat johonkin kahdesta trendistä: 1) suuret aineistot, jotka on kerätty julkisista lähteistä, kuten Twitteristä tai PubMedistä ja ovat siksi avoimia, tai 2) suuret, suljetut aineistot, kuten Virchow, Phikon, GigaPath tai VisionMAE. Lisäksi internetistä kerätyt aineistot eivät yleensä sisällä täysiä 3D-kuvausvolyymeja eivätkä eri suurennustasoja, joita WSI-kuvissa olisi. Tämä tarkoittaa, että julkisesti saatavilla olevien suurten kliinisten aineistojen puute rajoittaa edelleen toistettavuutta ja yhteistyötä. Hajautetun oppimisen ja differentiaalisen yksityisyyden tutkimus voi auttaa ratkaisemaan näitä haasteita . 6.1.2 Volumetristen aineistojen kasvavat laskennalliset vaatimukset Monissa tämän katsauksen töissä havaittiin, että suuremmat aineistot paransivat mallien suorituskykyä ja että skaalaus on selkeä trendi. Skaalaaminen on kuitenkin erityisen haastavaa laskennallisesti vaativissa kuvantamismenetelmissä, kuten korkean resoluution WSI-kuvissa sekä tilavuuskuvantamisessa (CT, MRI), myös lääketieteellisen kuvantamisen ulkopuolella . Kun foundation-malleja laajennetaan sekä datan että arkkitehtuurin osalta, tutkimuksen tulisi painottaa tehokkaampien ratkaisujen kehittämistä erityisesti tilavuusaineistojen käsittelyyn . 6.1.3 Patologian foundation-mallien skaalauslait osoittavat tasoittumista Vaikka datan ja laskentatehon skaalaamisen haasteet jatkuvat, patologiaan liittyvät foundation-mallit ovat menestyneet skaalaamalla, ja jatkotehtävien suorituskyky on yleensä parantunut datan ja mallin koon kasvaessa. Kuitenkin viimeaikaiset tutkimukset osoittavat, että suorituskyky alkaa tasaantua näillä osa-alueilla , mikä johtuu useista tekijöistä. Laadun merkitys määrän sijaan: Pelkkä datan lisääminen ei välttämättä riitä; tarvitaan parempaa kuratointia, jotta aineisto kattaa laajemmin elimiä, patologioita ja värjäystyyppejä. Esimerkiksi osoitti, että Virchow’n suorituskyky saavutettiin kuratoidulla aineistolla, jossa oli kymmenen kertaa vähemmän lasia. Atlas jopa ylitti Virchow’n suorituskyvyn, vaikka esikoulutusaineisto oli huomattavasti pienempi, koska mukana oli laajempi valikoima skannereita, värjäyksiä ja suurennuksia. Samoin osoitti, että pienempi ViT-B/16-malli, joka esikoulutettiin 4 miljoonalla laatalla iBOT:lla, ylitti Virchow2:n suorituskyvyn kolmessa ulkoisessa validointikohortissa, vaikka Virchow2 oli koulutettu 350 kertaa suuremmalla määrällä histologiakuvia. Tämä korostaa kohdennettujen koulutusstrategioiden merkitystä pelkän skaalaamisen sijaan. Monipuolisten vertailuaineistojen puute: Jatkotehtävien vertailu perustuu usein julkisiin haasteaineistoihin, mutta tarvitaan laajempi valikoima vertailutehtäviä foundation-mallien arvioimiseksi. havaitsi, että julkisten laatatason vertailujen suorituskyky tasaantuu, ja totesi, että haastavampien biomarkkerien ennustetehtävien käyttäminen tuotti enemmän vaihtelua suorituskyvyssä. Näiden haasteiden ratkaisemiseksi Patho-Bench ja eva tarjoavat standardoituja arviointityökaluja systemaattiseen vertailuun. Sovittaminen lääketieteelliseen kontekstiin: Nykyiset SSL-kehykset on optimoitu luonnollisille kuville, eivät patologiakuville, joilla on omat erityispiirteensä, kuten puuttuva kanoninen suunta ja värivaihtelu sekä tulkintaerot näkökentästä riippuen . SSL-menetelmät, jotka käyttävät esimerkiksi data-augmentointeja tai esitehtäviä (kuten värjäyksen tai rotaation ennustaminen), saattavat vaatia alakohtaisia mukautuksia. osoitti myös, että vaikka yleiskäyttöisten foundation-mallien skaalaus usein hyödyttää jatkotehtäviä, nämä mallit eivät menesty tasaisesti kaikissa elimissä tai tehtävissä. Vaikka tutkimuksissa on kokeiltu alakohtaisia säätöjä (esim. painojen alustaminen, data-augmentoinnit, suurennustasot) sekä patologiassa että muilla lääketieteellisen kuvantamisen aloilla , monia avoimia kysymyksiä on vielä jäljellä onnistuneiden SSL-algoritmien kehittämisessä. Koska foundation-malleja kehitetään yhä useammille lääketieteellisen kuvantamisen osa-alueille, nämä kysymykset ovat tärkeitä skaalautuvuuden, yleistettävyyden ja resurssien tehokkaan hyödyntämisen kannalta. 6.2 Haasteet foundation-mallien soveltamisessa kliiniseen käyttöön Siirtyminen tutkimuksesta kliiniseen käytäntöön lääketieteellisen kuvantamisen foundation-malleilla vaatii useiden keskeisten haasteiden ratkaisemista: mallien selitettävyyden varmistaminen, mahdollisten vinoumien tunnistaminen, oikeudenmukaisuuden ylläpito sekä sääntelyvaatimusten täyttäminen. 6.2.1 Selitettävyys Lääketieteellisten kuvien analyysiin tarkoitetut foundation-mallit tarvitsevat läpinäkyviä ja tulkittavia tuloksia, jotta kliinikot ja tutkijat voivat ymmärtää, miten malli tekee ennusteita ja mitkä piirteet vaikuttavat niihin. Mallien monimutkaisuus kuitenkin vaikeuttaa niiden toiminnan, vinoumien ja virheiden selittämistä, mikä voi johtaa vakaviin seurauksiin terveydenhuollossa . Selitettävän tekoälyn tekniikat voivat auttaa tässä. Esimerkiksi esitteli tulkittavan hajotusmenetelmän kasvainten luokitteluun ja kehitti säädeltävän ja tulkittavan järjestelmän keuhkokuvien diagnostiikkaan. lisäsi pikselitason epävarmuusarvion SAM-malliin, mahdollistaen segmentoitujen leesioiden luotettavuuden arvioinnin. 6.2.2 Robustius ja yleistettävyys Foundation-mallien on oltava robustit datan keruun, värjäyksen, skannauslaitteiden ja instituutiokohtaisten protokollien vaihteluille. Ilman tätä robustiutta mallit voivat tuottaa epäluotettavia tuloksia käytännön sovelluksissa. Esimerkiksi havaitsi, että monet nykyiset patologian foundation-mallit koodaavat vahvemmin keskussidonnaisia artefakteja kuin biologisesti merkityksellisiä signaaleja. He ehdottivat robustiusindeksiä, kvantitatiivista mittaria, jolla arvioidaan, kuinka hyvin mallin esitykset perustuvat biologisiin eikä satunnaisiin piirteisiin. Samoin osoitti, että tiivistetty patologia-FM (H0-mini) ylitti suuremmat mallit robustiudessa, osoittaen kestävyyttä värjäys- ja skannausvaihteluille PLISM-aineistossa. Tämä korostaa, että mallin koko ei aina korreloi robustiuden kanssa ja että tiivistäminen tai muut kohdennetut koulutusmenetelmät voivat parantaa yleistettävyyttä. Robustisuuden varmistaminen on erityisen tärkeää kliinisessä käytössä, kun malleja siirretään eri instituutioiden välillä tai käytetään poikkeavissa olosuhteissa. 6.2.3 Sovellettavuus, vinouma ja luotettavuus Vinouma on merkittävä haaste foundation-malleille, erityisesti kliinisissä yhteyksissä, joissa ennusteiden tarkkuus ja oikeudenmukaisuus ovat kriittisiä. Vinoutuneilla aineistoilla koulutetut mallit voivat tuottaa vinoutuneita ennusteita, jotka vaikuttavat epäsuhtaisesti aliedustettuihin ryhmiin . Tämän ratkaiseminen vaatii monipuolista ja edustavaa koulutusdataa sekä kattavia oikeudenmukaisuuden arviointikehyksiä. Tutkimukset, kuten ja , korostavat vinoumien tunnistamisen ja vähentämisen tärkeyttä. Yksi lähestymistapa on kielirajat ylittävä esikoulutus, kuten ehdottaa, mikä auttaa vähentämään vinoumaa kuva-kieli-malleissa. Nämä ratkaisut ovat tärkeitä, jotta foundation-mallit tarjoavat tasapuolisia hyötyjä eri potilasryhmille. Lisäksi foundation-mallien luotettavuuden varmistaminen muuttujille, kuten skannerityyppi, värjäysprotokollat ja instituutiokohtaiset erot, on olennaista niiden yleistettävyydelle. havaitsi, että monet nykyiset patologian foundation-mallit koodaavat keskussidonnaisia värjäysartefakteja vahvemmin kuin kudos- tai syöpätyyppiin liittyviä biologisia signaaleja. Tämän ratkaisemiseksi he ehdottivat luotettavuusindeksiä, joka mittaa, kuinka paljon mallin esitykset perustuvat biologisiin ominaisuuksiin satunnaisten tekijöiden sijaan. tutki suuren foundation-mallin tiivistämistä huomattavasti pienemmäksi H0-mini-malliksi, joka osoitti erinomaista luotettavuutta värjäys- ja skannausolosuhteiden vaihtelulle ja ylitti muut nykyiset patologian foundation-mallit. Foundation-mallien skaalaamisen kasvaessa on olemassa riski, että ne muuttuvat saavuttamattomiksi niille instituutioille, joilla on rajalliset laskentaresurssit. Siksi tulisi kannustaa kehittämään tehokkaampia FM-arkkitehtuureja saavutettavuuden parantamiseksi . Lisäksi parametri-tehokkaat hienosäätöstrategiat, kuten korostaa, tarjoavat lupaavan tien laajaan käyttöönottoon ja pienentävät laskentavaatimuksia. 6.2.4 Sääntely Jotta foundation-mallit voidaan ottaa onnistuneesti käyttöön kliinisessä käytännössä, niiden riskit on hallittava kattavan sääntelyn avulla. Lääketieteelliset kuvantamisen foundation-mallit voivat tuottaa epäluotettavia tuloksia, kuten hallusinaatioita – uskottavia mutta virheellisiä ennusteita, jotka voivat johtaa vääriin diagnooseihin tai virheellisiin hoitoihin. Viimeaikaiset tutkimukset ovat ehdottaneet menetelmiä hallusinaatioiden tunnistamiseksi lääketieteellisissä kuva-kieli-malleissa , mutta lisää tutkimusta tarvitaan näiden lähestymistapojen laajentamiseksi myös kuvapohjaisiin malleihin. Jatkuva oppiminen on lupaava tutkimussuunta, jotta foundation-mallit voivat sopeutua uusiin tehtäviin, tautimuunnoksiin tai dataan unohtamatta aiemmin opittua tietoa . Tämä sopeutumiskyky on olennaista nopeasti kehittyvällä lääketieteen alalla.

Hyvältä näyttää päivittynyt omistajalistaus. mm. Kirkon Eläkerahasto ottanut näkemystä sadantuhannen osakkeen potilla                   Aiforia              Aiforia    Aiforia on lääketieteen ohjelmistoyritys, joka tarjoaa patologeille ja tutkijoille kliinisissä, prekliinisissä ja akateemisissa laboratorioissa tehokkaan syväoppivan tekoälyohjelmiston.

Juteltiin viime viikolla juuri Jukan kanssa tästä, katsotaan saadaanko tehtyä tähän liittyen esim. syventävä haastis myöhemmin  nythän meidän ennusteet menevät tehostuskulmalla ja ennustavat mallit sekä siihen liittyvä potentiaali tulee sitten käytännössä optiona päälle.

Tässä vielä kommenttia - tosiaan vähän isompi laajennus, kun mallien määrä kasvoi kerralla 8 → 13                   Inderes              Aiforian tuoteportfolio laajenee uudella CE-IVD -hyväksytyllä ratkaisulla...    Ratkaisu on Aiforian Euroopassa CE-IVD -hyväksynnän saaneista yhdeksäs. Aiemmista hyväksynnistä poiketen ratkaisu kuitenkin sisältää viisi erillistä tekoälymallia, joten hyväksyntä laajentaa yhtiön tuoteportfoliota varsin olennaisesti (8 mallia + 1...                              Tämäkin on totta, näinhän tämä on tähän asti jossain määrin mennyt. Mutta mielestäni tilanne on kuitenkin vähän parempi ja uskon isoimman odottelun olevan takanapäin. Alussa aikaa kesti kun piti viedä riittävästi malleja kehitys+hyväksyntä -putken läpi, että saatiin asiakkuuksien voittamiseen riittävä tuoteportfolio. Sitten tämän jälkeen on kierretty asiakkaita ja laitettu jalkaa oven väliin mahdollisimman moneen asiakkuuteen. Näihin kun päästään vain sisään, niin sieltä ei hevillä lähdetä. Tässä ensimmäisessä vaiheessa liikevaihdon tuloutuksessa kestää, kun asiakas virittää koko patologian ‘tehdasympäristön’ digitaaliseksi ja paikalle toimitetaan skannereita jne. Mutta: kun tämä alun muutosprosessi on asiakkaalla tehty, on kyse lähinnä laajennuspelistä, jossa jokaisessa sopparipäivityksessä Aiforia pyrkii myymään maksimilaajennukset sisään. Ja tässä kohtaa käyttö laajenee lähtökohtaisesti hyvin nopeasti, kun jo digitalisoitu laajentunut näytevirta saadaan ohjattua Aiforian ohjelmistoon.

En muista nähneeni tästä Jukan haastamista/haastattelua, omalla softalla omalla sohvalla retrospektiivisestikö sitten riittäisi?  @Antti_Luiro näkemys on tossa. Ja tarkennuksena, että nyt julkaistu mallikokonaisuus ei ollut tuollainen ennustava malli.

Juurikin näin. Ja aikaahan tuhraantuisi vallan tuhottomasti ennustemallien osalta jos lähdetään prospektiivisten seurantojen tielle. Sen osalta herää kysymys että onkohan alan toimijat tehneet ennustemalleja yksinomaan keräämällä historiallisia näytteitä vuosien takaa, analysoimalla ne omalla softalla ja sitten suorittaen vertailun kunkin tiedossa olevan syöpätapauksen lopputulemaan?

Aiforia Technologies

Aiforia Technologies Plc: Disclosure under Chapter 9 Section 10 of the Securities Market Act - Sto-Rahoitus Oy’s holding in Aiforia Technologies Plc Aiforia Technologies Plc, Company release...

Aiforia Technologies Plc: Disclosure under Chapter 9 Section 10 of the Securities Market Act - Sto-Rahoitus Oy’s holding in Aiforia Technologies Plc Aiforia Technologies Plc, Company release, May 30, 2025 6:00p.m. EESTSto-Rahoitus Oy has informed Aiforia Technologies Plc that it has crossed below the 5% disclosure threshold on holding in shares and voting rights in Aiforia. According to the announcement, the holding passed underneath the threshold on May 28, 2025.According to the notification, the reason for the notification was the event changing the breakdown of shares or voting rights.Total positions of Sto-Rahoitus Oy subject to the notification:<table><tbody><tr><td>&nbsp;</td><td align="right">% shares and voting rights</td><td align="right">% of shares and voting rights through financial instruments</td><td align="right">Total of both in %</td><td align="right">Total number of shares and voting rights of issuer</td></tr><tr><td>Resulting situation on the date on which threshold was crossed or reached</td><td align="right">4.81%</td><td align="right">&nbsp;</td><td align="right">4.81%</td><td align="right">31,464,954</td></tr><tr><td>Positions of previous notification (if applicable)</td><td align="right">5.83 %</td><td align="right">&nbsp;</td><td align="right">5.83 %</td><td align="right">28,844,467</td></tr></tbody></table>A: Shares and voting rights<table><tbody><tr><td>&nbsp;</td><td align="right" colspan="2">Number of shares and voting rights</td><td align="right" colspan="2">% of shares and voting rights&nbsp;&nbsp;</td></tr><tr><td>Class/type of shares, ISIN code</td><td align="right">Direct&nbsp; (AML 9:5)</td><td align="right">Indirect&nbsp; (AML 9:6 and 9:7)</td><td align="right">Direct&nbsp; (AML 9:5)</td><td align="right">Indirect (AML 9:6 and 9:7)</td></tr><tr><td>FI4000507934</td><td align="left">1,514,810</td><td align="right">&nbsp;</td><td align="left">4.81%</td><td align="right">&nbsp;</td></tr><tr><td>SUBTOTAL</td><td align="left" colspan="2">1,514,810</td><td align="left" colspan="2">4.81%</td></tr></tbody></table>Full chain of controlled undertakings through which the voting rights and/or the financial instruments are effectively held starting with the ultimate controlling natural person or legal entity:<table><tbody><tr><td>Name</td><td align="right">% of shares and voting rights</td><td align="right">% of shares and voting rights through financial instruments</td><td align="right">Total of both</td></tr><tr><td>Henrik Stormbom </td><td align="right">33% </td><td align="right">&nbsp;</td><td align="right">&nbsp;</td></tr><tr><td>Harriet Stormbom </td><td align="right">33% </td><td align="right">&nbsp;</td><td align="right">&nbsp;</td></tr><tr><td>Niklas Stormbom </td><td align="right">33% </td><td align="right">&nbsp;</td><td align="right">&nbsp;</td></tr></tbody></table>Further inquiries Veli-Matti Parkkonen, CFO, Aiforia Technologies Plc tel. +358 405 009 878 <a href="https://investors.aiforia.com/">https://investors.aiforia.com/</a>&nbsp;Certified Adviser UB Corporate Finance Ltd <a href="mailto:ubcf@unitedbankers.fi">ubcf@unitedbankers.fi</a>&nbsp;About Aiforia Aiforia is a trusted provider of deep learning artificial intelligence (AI) solutions for pathology. Aiforia delivers software solutions that elevate diagnostic capabilities in image analysis, enabling remarkable medical discoveries now and in the future. With thousands of AI models already developed on the Aiforia platform for research use and several diagnostic solutions deployed, Aiforia is already significantly impacting pathology and healthcare.Founded in 2013, Aiforia is a publicly traded company operating internationally with thousands of platform users across the globe. The company is headquartered in Helsinki, Finland, with offices in Cambridge, Massachusetts, and Rochester, Minnesota, and local representatives across Europe and North America. The diverse team at Aiforia includes experienced pathologists, medical scientists, AI and software developers, and a dedicated commercial team. Together, they are working to transform pathology with AI, enabling better care for each patient.Find out more at <a href="http://www.aiforia.com">www.aiforia.com</a>

Name	% of shares and voting rights	% of shares and voting rights through financial instruments	Total of both
Henrik Stormbom	33%
Harriet Stormbom	33%
Niklas Stormbom	33%

	% shares and voting rights	% of shares and voting rights through financial instruments	Total of both in %	Total number of shares and voting rights of issuer
Resulting situation on the date on which threshold was crossed or reached	4.81%		4.81%	31,464,954
Positions of previous notification (if applicable)	5.83 %		5.83 %	28,844,467

	Number of shares and voting rights		% of shares and voting rights
Class/type of shares, ISIN code	Direct (AML 9:5)	Indirect (AML 9:6 and 9:7)	Direct (AML 9:5)	Indirect (AML 9:6 and 9:7)
FI4000507934	1,514,810		4.81%
SUBTOTAL	1,514,810		4.81%