Печалби:
- Възможност за обяснение на поддръжката на AI за преброяване на клетки, сегментиране и класифициране в работен процес на цялото изображение на слайд (WSI)
- Способност за разпознаване на ефекта от променливостта на рисуване и сканиране върху производителността на модела и изместването на домейна
- Възможност за валидиране на резултатите от AI за патология с референтен стандарт, вземане на проби и одобрение от патолог
Патологията е клон на медицината, в който заболяването се идентифицира чрез изследване на тъканна проба под микроскоп; Тук се прави "златният стандарт" на много ракови диагнози. Дигиталната патология е дигитализация на оцветена тъканна секция върху предметно стъкло със скенер с висока разделителна способност. Полученият файл се нарича цялостно изображение на слайд (накратко WSI); Един слайд може да бъде гигантско изображение с размер гигапиксел, тоест милиарди пиксели. Изкуственият интелект поддържа преброяване на клетки, регионално сегментиране и градиране в тези огромни изображения. В този раздел ще видим работния процес на WSI, неговия най-голям технически капан: променливостта на оцветяване/сканиране и защо одобрението на патолога е от съществено значение.
Нека заявим от самото начало: изкуственият интелект може да бъде брояч, предварителен скенер и второ око в патологията; Но решенията за диагностициране на рак, стадиране и степенуване принадлежат на патолога. Моделът не диагностицира.
Стъпки на работния процес на WSI
Стъпка 1 — Проверка и контрол на качеството. Предметното стъкло се сканира; Дефекти като разфокусиране, следи от прегъване и въздушни мехурчета могат да бъдат открити автоматично. Некачествените сканирания изобщо не трябва да влизат в модела.
Стъпка 2 — Отстраняване на плочка (лепенка). Гигапикселовото изображение не може да се обработва директно; е разделен на малки квадратчета (английска част, обикновено 256x256 или 512x512 пиксела). Моделът оценява всяка плочка поотделно, след което резултатите се комбинират.
Стъпка 3 — Анализ на тъкан/клетка. модел; Той изпълнява задачи като сегментиране на мястото на тумора, броене на митоза (деляща се клетка), ядрена плътност или изчисляване на маркер (напр. скорост на оцветяване Ki-67). Резултатът е числено измерване или топлинна карта.
Стъпка 4 — Консолидиране и отчитане. Резултатите от плочките се комбинират на ниво слайд; Получава се обобщение, например „процент на туморната площ“ или „митотичен брой“.
Стъпка 5 — Оценка от патолог. Патологът изследва регионите и брои, отбелязани от модела; приема, коригира или отхвърля. Диагнозата и класификацията се извършват от патолога.
Най-голямата клопка: Вариативност при боядисване и сканиране
Тъканните срезове обикновено се оцветяват с H&E (хематоксилин и еозин; стандартното багрило, което оцветява ядрата в синьо-виолетово и цитоплазмата в розово). Но интензитетът на оцветяване варира значително в зависимост от лабораторията, партидата на петна, дебелината на секцията и марката на скенера. Човешкото око лесно се адаптира към тези различия; Моделът може да не е съвместим.
Ако даден модел се е научил въз основа на розово-лилавите тонове от лаборатория А, неговото представяне ще намалее при по-бледо или по-тъмно оцветяване от лаборатория Б. Това явление се нарича изместване на домейна и е най-честата причина за неуспех в дигиталната патология. Подходи за решение: нормализиране на цветовете (преместване на изображения в общо цветово пространство), многоцентрови данни за обучение и — най-важното — външно валидиране във всяка използвана лаборатория.
Три мини калъфа: с числата
Случай 1 — Съгласуваност на митотичния брой. Митотичното броене при класифицирането на рак на гърдата е важно, но трудоемко и варира от наблюдател до наблюдател. Подпомогнато от изкуствен интелект предварително преброяване в една лаборатория, съгласието (kappa) между двама патолози се увеличи от 0,55 на 0,71, а времето за броене на предметно стъкло намаля от 4 минути на 1,5 минути. Въпреки това, всяко окончателно преброяване беше потвърдено от патолога; Моделът предложи, патологът реши.
Случай 2 — Попадение при смяна на полето. В лабораторията, която разработи модел за сегментиране на тумор, той работи правилно в 93% от времето. Същият модел систематично надценява областта на тумора с 20% в партньорската лаборатория, използвайки различен скенер и багрило. След нормализиране на цвета и повторно валидиране с 200 слайда от тази лаборатория, разликата намаля до приемливо ниво.
Случай 3 — Грешка при вземане на проби. Един модел каза "не" тумор на слайд; моделът обаче оценява само сканираната област и туморът е в секция без проби. Диагнозата на патологията е толкова добра, колкото изборът на слайдове и вземането на проби; „Отрицателният“ изход на AI не компенсира недостатъчното вземане на проби. Ето защо само отрицателен резултат от AI никога не означава „няма болест“.
Слаба подкана / Силна подкана
Забележка: Следните подкани са за конфигуриране на доклада за патологията и текста на работния поток; Тъканната образна диагностика е дело на проверен софтуер и патолози.
Слаба подкана:
Според този патологичен доклад има ли рак? [доклад]
Мощна подкана:
Вашата роля: Вие сте асистентът за структуриране на патологичния доклад (ВИЕ НЕ СТЕ ДИАГНОЗА). Структурирайте следния анонимен патологичен доклад: - Таблица с вида на пробата, оцветяването, типа/степента на тумора, хирургичния ръб, маркерите. - Запазете непокътната двусмислената формулировка („нетипична, препоръчва се клинична корелация“). - Не добавяйте никакви открития, които не са в текста; напишете „неуточнено“ в липсващото поле.- Накрая избройте 3 точки, които патологът трябва да потвърди. Анонимен доклад:[текст]
Четири копируеми шаблона
1) Стандартизация на отчета:
Начертайте следния анонимен патологичен доклад в структурирани полета (орган, диагноза, степен, граница, проценти на маркера). Придържайте се към текста. Доклад: [текст]
2) Проверка на последователността на токена:
Избройте всички процентни и цифрови маркери (Ki-67, ER, PR, HER2), споменати в този доклад; Маркирайте стойности, които са в конфликт помежду си или с диагнозата. Доклад: [текст]
3) План за валидиране на модела (дигитална патология):
Напишете проект на план за валидиране за модел на сегментиране на WSI: нормализиране на цветовете, многоцентрово външно валидиране, съгласие на патолога (kappa), тестване с изместване на полето. Маркирайте отделно точките за валидиране на патолога.
4) Добавяне на предупреждение за вземане на проби:
Добавете към следния отрицателен резултат от AI предупреждението, че „вземането на проби може да бъде ограничено, отрицателен резултат не изключва заболяване“ и изискването за потвърждение от патолог. Изход: [текст]
Роля на модела: По вид задача
Тип задача
Принос на AI
критичност
проверка
Сегментиране на туморната област
високо
високо
Патолог + външна проверка
Митоза/брой клетки
високо
високо
Потвърждение от патолог
Процент на маркер (Ki-67)
високо
среден
Референтно сравнение
Контрол на качеството (фокус/дефект)
високо
ниско
проверка на място
Конфигурация на отчет (текст)
високо
ниско
Потвърждение от патолог
Съвет: Когато оценявате предложение за модел в дигиталната патология, винаги питайте: „Върху петна и скенери на кои лаборатории е обучен този модел и валидиран ли е в моята лаборатория?“ Ако отговорът е „не“, данните за ефективността все още не се отнасят за вас.
Внимание: Само защото изкуственият интелект казва „няма тумор“ не означава, че няма тумор в тъканта без проби. Отрицателният резултат при патология е ограничен от качеството на вземане на проби; моделът не може да надхвърли тази граница и отрицателният резултат не е гаранция за диагностика.
Често срещани грешки
- Подценяване на променливостта на цвета/багрилото. Дрейфът на полето е най-честата причина за повреда в дигиталната патология.
- Обучете в един център и използвайте навсякъде. Различният браузър и оцветяване създава тихо влошаване на производителността.
- Погрешно приемане на отрицателен резултат за увереност. Ограничението за вземане на проби не може да бъде компенсирано от модела.
- Пренебрегване на променливостта между наблюдателите. Моделът трябва да бъде оценен съответно, ако самият референтен стандарт е променлив.
- Елиминиране на патолога. Преброяването и сегментирането са поддръжка; Диагнозата и оценката почиват с патолога.
В обобщение
- Цифровата патология анализира гигапикселови WSI изображения, като ги разделя на плочки; AI поддържа броене на клетки и сегментиране.
- Най-големият технически капан е дрейфът на полето поради променливостта на оцветяване/сканиране; нормализацията на цвета и външното валидиране са от съществено значение.
- Отрицателният резултат от AI е ограничен от лимита за вземане на проби и не осигурява диагностична увереност.
- Референтният стандарт и променливостта между наблюдателите са контекстът за оценка на модела.
- Диагнозата, стадирането и степенуването са отговорност на патолога; AI не диагностицира.
Задача за приложение
Изберете хипотетичен дигитален модел на патология (напр. изчисление на процент Ki-67). Напишете външен план за валидиране на този модел: колко слайда от кои лаборатории, каква нормализация на цвета, как ще измервате съгласието на патолога и как ще тествате дрейфа на полето. След това напишете в едно изречение предупреждението за ограничение, което трябва да се добави към отрицателния/положителния изход на модела.
контролен списък
- [ ] Знам стъпките за сканиране, подреждане, анализ и композиране на работния процес на WSI.
- [ ] Разбирам как променливостта на рисуване/сканиране причинява дрейф на полето и как се управлява.
- [ ] Разбирам, че отрицателният AI резултат е ограничен от лимита за вземане на проби.
- [ ] Мога да използвам концепциите за външно валидиране и съгласие на патолога (kappa).
- [ ] Разбрах, че диагнозата и решението за степенуване остават на патолога.