Qazanclar:
- Bütün slayd görüntüsündə (WSI) hüceyrə sayma, seqmentləşdirmə və qiymətləndirmə üçün AI dəstəyini izah etmək bacarığı
- Rəssamlıq və skan dəyişkənliyinin model performansına və domen dəyişikliyinə təsirini tanımaq bacarığı
- İstinad standartı, nümunə götürmə və patoloqun təsdiqi ilə patoloji AI nəticələrini təsdiqləmək bacarığı
Patologiya, toxuma nümunəsinin mikroskop altında araşdırılması ilə xəstəliyin müəyyən edildiyi tibb sahəsidir; Bir çox xərçəng diaqnozunun "qızıl standartı" burada qoyulur. Rəqəmsal patologiya yüksək rezolyusiyaya malik skanerlə şüşə slaydda ləkələnmiş toxuma bölməsinin rəqəmsallaşdırılmasıdır. Yaranan fayl bütün slayd şəkli adlanır (qısaca WSI); Tək bir slayd gigapiksel ölçüsündə nəhəng bir şəkil ola bilər, yəni milyardlarla piksel. Süni intellekt bu nəhəng şəkillərdə hüceyrələrin sayılmasını, bölgənin seqmentləşdirilməsini və təsnifatını dəstəkləyir. Bu bölmədə biz WSI iş prosesini, onun ən böyük texniki tələsini görəcəyik: rəngləmə/skanlama dəyişkənliyi və nə üçün patoloqun təsdiqi vacibdir.
Bəri başdan qeyd edək: süni intellekt patologiyada sayğac, ilkin skaner və ikinci göz ola bilər; Ancaq xərçəngin diaqnozu, mərhələləri və təsnifatı patoloqa aiddir. Model diaqnoz qoymur.
WSI iş axınının addımları
Mərhələ 1 — Skrininq və keyfiyyətə nəzarət. Şüşə slayd skan edilir; Defokus, qatlanma izləri və hava qabarcıqları kimi qüsurlar avtomatik aşkarlana bilər. Keyfiyyətsiz skanlar modelə ümumiyyətlə daxil olmamalıdır.
Addım 2 - Kafel (yamaq) çıxarılması. Giqapiksel təsviri birbaşa emal etmək mümkün deyil; kiçik kvadratlara bölünür (İngilis yaması, adətən 256x256 və ya 512x512 piksel). Model hər bir plitəni ayrıca qiymətləndirir, sonra nəticələr birləşdirilir.
Addım 3 — Toxuma/hüceyrə analizi. Model; O, şiş sahəsinin seqmentasiyası, mitozun (hüceyrənin bölünməsi) hesablanması, nüvə sıxlığı və ya markerin hesablanması (məsələn, Ki-67 boyanma dərəcəsi) kimi vəzifələri yerinə yetirir. Çıxış ədədi ölçmə və ya istilik xəritəsidir.
Addım 4 — Konsolidasiya və hesabat. Kafel nəticələri slayd səviyyəsində birləşdirilir; Xülasə hazırlanır, məsələn, "şiş sahəsinin faizi" və ya "mitotik sayı".
Addım 5 - Patoloqun qiymətləndirilməsi. Patoloq model tərəfindən qeyd olunan bölgələri və sayları araşdırır; qəbul edir, düzəldir və ya rədd edir. Diaqnoz və qiymətləndirmə patoloqdan asılıdır.
Ən Böyük Tələ: Boyama və Tarama Dəyişkənliyi
Toxuma hissələri adətən H&E (hematoksilin və eozin; nüvələri mavi-bənövşəyi və sitoplazmanı çəhrayı rəngə boyayan standart boya) ilə boyanır. Lakin boyanma intensivliyi laboratoriyaya, ləkə partiyasına, bölmə qalınlığına və skaner markasına görə əhəmiyyətli dərəcədə dəyişir. İnsan gözü bu fərqlərə asanlıqla uyğunlaşır; Model uyğun olmaya bilər.
Əgər model A laboratoriyasının çəhrayı-bənövşəyi tonlarına əsaslanaraq öyrənibsə, onun performansı B laboratoriyasının daha solğun və ya tünd boyanmasında azalacaq. Bu fenomen domen dəyişikliyi adlanır və rəqəmsal patologiyada uğursuzluğun ən çox yayılmış səbəbidir. Həll yanaşmaları: rəngin normallaşdırılması (şəkillərin ümumi rəng məkanına köçürülməsi), çoxmərkəzli təlim məlumatları və - ən əsası - istifadə ediləcək hər bir laboratoriyada xarici yoxlama.
Üç Mini Case: Rəqəmlərə görə
1-ci hal - Mitotik sayda ardıcıllıq. Döş xərçənginin qiymətləndirilməsində mitozun hesablanması vacibdir, lakin zəhmət tələb edir və müşahidəçidən müşahidəçiyə dəyişir. Bir laboratoriyada süni intellektlə ilkin hesablama, iki patoloq arasında razılaşma (kappa) 0,55-dən 0,71-ə yüksəldi və hər slayd üçün hesablama müddəti 4 dəqiqədən 1,5 dəqiqəyə qədər azaldı. Bununla belə, hər bir son hesab patoloq tərəfindən təsdiq edilmişdir; Model təklif etdi, patoloq qərar verdi.
2-ci hal - Sahə sürüşməsi vuruşu. Şişin seqmentasiya modelini hazırlayan laboratoriyada o, vaxtın 93%-də düzgün işləyirdi. Eyni model, fərqli bir skaner və boyadan istifadə edərək tərəfdaş laboratoriyasında şiş sahəsini sistematik olaraq 20% çox qiymətləndirdi. Rəngin normallaşdırılması və həmin laboratoriyadan 200 slayd ilə yenidən təsdiq edildikdən sonra fərq məqbul səviyyəyə qədər azaldı.
3-cü hal - Seçmə səhvi. Bir model slaydda şiş "yox" dedi; lakin, model yalnız skan edilmiş ərazini qiymətləndirdi və şiş nümunəsiz bölmədə idi. Patoloji diaqnozu slayd seçimi və nümunə götürmə kimi yaxşıdır; AI "mənfi" çıxışı az seçməni kompensasiya etmir. Buna görə də mənfi AI nəticəsi heç vaxt "xəstəlik yoxdur" demək deyil.
Zəif Tələb / Güclü Tələb
Qeyd: Aşağıdakı göstərişlər patoloji hesabatı və iş axını mətnini konfiqurasiya etmək üçündür; Toxuma təsvirinin diaqnozu təsdiqlənmiş proqram təminatı və patoloqların işidir.
Zəif çağırış:
Bu patoloji hesabata görə, xərçəng varmı? [hesabat]
Güclü göstəriş:
Sizin rolunuz: Siz patoloji hesabatının strukturlaşdırılması üzrə köməkçisiniz (SİZ DİAQNOZ DEYİLSİZ). Aşağıdakı anonim patoloji hesabatı strukturlaşdırın:- Nümunə növü, boyanma, şiş növü/dərəcəsi, cərrahi kənar, markerlər cədvəlini tərtib edin.- Birmənalı olmayan ifadələri (“atipik, kliniki korrelyasiya tövsiyə olunur”) toxunulmaz saxlayın.- Mətndə olmayan heç bir tapıntı əlavə edin; çatışmayan sahəyə “müəyyən edilməmiş” yazın.- Nəhayət, patoloqun təsdiq etməli olduğu 3 məqamı qeyd edin.Anonim hesabat:[mətn]
Dörd Kopyalana bilən Şablon
1) Standartlaşdırma hesabatı:
Aşağıdakı anonim patologiya hesabatını strukturlaşdırılmış sahələrə (orqan, diaqnoz, dərəcə, kənar, marker faizləri) daxil edin. Mətnə yapışın. Hesabat: [mətn]
2) Token tutarlılığının yoxlanılması:
Bu hesabatda qeyd olunan bütün faiz və ədədi markerləri (Ki-67, ER, PR, HER2) sadalayın; Bir-biri ilə və ya diaqnozla ziddiyyət təşkil edən dəyərləri qeyd edin. Hesabat: [mətn]
3) Model təsdiqləmə planı (rəqəmsal patologiya):
WSI seqmentasiya modeli üçün doğrulama planının layihəsini yazın: rəngin normallaşdırılması, çoxmərkəzli xarici qiymətləndirmə, patoloqla razılaşma (kappa), sahə sürüşməsi testi. Patoloqun doğrulama nöqtələrini ayrıca qeyd edin.
4) Nümunə alma xəbərdarlığının əlavə edilməsi:
Aşağıdakı mənfi AI nəticəsinə "nümunə götürmə məhdud ola bilər, mənfi nəticə xəstəliyi istisna etmir" xəbərdarlığını və patoloqun təsdiqi tələbini əlavə edin. Çıxış: [mətn]
Modelin rolu: Tapşırıq növünə görə
Tapşırıq növü
AI töhfəsi
tənqidilik
yoxlama
Şiş bölgəsinin seqmentasiyası
yüksək
yüksək
Patoloq + xarici yoxlama
Mitoz/hüceyrə sayı
yüksək
yüksək
Patoloqun təsdiqi
Marker faizi (Ki-67)
yüksək
orta
İstinad müqayisəsi
Keyfiyyətə nəzarət (fokus/qüsur)
yüksək
aşağı
spot yoxlama
Hesabat konfiqurasiyası (mətn)
yüksək
aşağı
Patoloqun təsdiqi
İpucu: Rəqəmsal patologiyada bir model təklifini qiymətləndirərkən həmişə soruşun: "Bu model hansı laboratoriyaların ləkələri və skanerləri üzərində öyrədilmişdir və mənim laboratoriyamda təsdiq edilmişdirmi?" Cavab "yox" olarsa, performans göstəriciləri hələ sizə aid deyil.
Diqqət: Süni intellektin "şiş yoxdur" deməsi nümunə götürülməmiş toxumada şiş olmadığı demək deyil. Patologiyada mənfi nəticə nümunənin keyfiyyəti ilə məhdudlaşır; nümunə bu həddi keçə bilməz və mənfi nəticə diaqnostik zəmanət deyil.
Ümumi səhvlər
- Rəng/boya dəyişkənliyini lazımınca qiymətləndirmək. Field drift rəqəmsal patologiyada uğursuzluğun ən çox yayılmış səbəbidir.
- Bir mərkəzdə məşq edin və hər yerdə istifadə edin. Fərqli brauzer və rəngləmə səssiz performansın azalmasına səbəb olur.
- Təminat üçün mənfi nəticəni səhv salmaq. Nümunə götürmə limiti model tərəfindən kompensasiya edilə bilməz.
- Müşahidəçilər arası dəyişkənliyə məhəl qoymamaq. Əgər istinad standartının özü dəyişkəndirsə, model müvafiq olaraq qiymətləndirilməlidir.
- Patoloqun aradan qaldırılması. Sayma və seqmentləşdirmə dəstəkdir; Diaqnoz və qiymətləndirmə patoloqdan asılıdır.
Xülasə
- Rəqəmsal patologiya gigapikselli WSI şəkillərini plitələrə bölməklə təhlil edir; Süni intellekt hüceyrələrin sayılması və seqmentləşdirilməsini dəstəkləyir.
- Ən böyük texniki tələ boyanma/skan dəyişkənliyinə görə sahə sürüşməsidir; rəngin normallaşdırılması və xarici təsdiqləmə vacibdir.
- Mənfi AI nəticəsi seçmə limiti ilə məhdudlaşır və diaqnostik təminat vermir.
- İstinad standartı və müşahidəçilər arası dəyişkənlik modelin qiymətləndirilməsi üçün kontekstdir.
- Diaqnoz, mərhələ və qiymətləndirmə patoloqun məsuliyyətidir; AI diaqnoz qoymur.
Tətbiq tapşırığı
Hipotetik rəqəmsal patoloji modelini seçin (məsələn, Ki-67 faiz hesablanması). Bu model üçün xarici yoxlama planını yazın: hansı laboratoriyadan neçə slayd, hansı rəngin normallaşdırılması, patoloq razılığını necə ölçəcəksiniz və sahə sürüşməsini necə sınaqdan keçirəcəksiniz. Sonra modelin mənfi/müsbət çıxışına əlavə edilməli olan məhdudiyyət xəbərdarlığını bir cümlə ilə yazın.
yoxlama siyahısı
- [ ] Mən WSI iş axınının skan edilməsi, döşənməsi, təhlili və birləşmə mərhələlərini bilirəm.
- [ ] Mən boya/skan dəyişkənliyinin sahə sürüşməsinə necə səbəb olduğunu və onun necə idarə olunduğunu başa düşürəm.
- [ ] Mən başa düşürəm ki, mənfi AI nəticəsi seçmə limiti ilə məhdudlaşır.
- [ ] Xarici qiymətləndirmə və patoloq razılaşması (kappa) anlayışlarından istifadə edə bilərəm.
- [ ] Diaqnoz və qiymətləndirmə qərarının patoloqun ixtiyarında olduğunu daxili qəbul etdim.