Печалби:
- Разберете как работи предварителната класификация на изображения с AI (периферна цитонамазка, утайка от урина, колония) и какво ускорява
- Възможност за използване на AI предварителна класификация само като скрининг и оставяне на диагнозата на анормални и критични клетки/микроорганизми на експертна проверка
- Способност за разпознаване на границите на моделите на изображения (редки клетки, артефакти, качество на оцветяване, промяна на разпределението) и управление на риска от фалшиви негативи
Микроскопът е най-старият, но все още най-мощен инструмент в медицинската лаборатория. Формата на клетките в кръвната натривка, кристалите в утайката на урината, цветът и разположението на бактериите в оцветяването по Грам – всичко това са модели, които тренираното око може да разчете за секунди, но изисква години опит, за да започнете. През последните години анализът на изображения с помощта на AI навлезе в този микроскопичен свят: той автоматично предварително класифицира дигитално сканираните препарати, елиминирайки тези, които изглеждат нормални, и насочва вниманието на специалиста към области, които действително изискват изследване. Това е огромно увеличение на скоростта — но също така е и една от областите, в които трябва да се очертаят най-внимателните граници, тъй като фалшив отрицателен резултат (липсване на истинска аномалия) означава, че е пропусната директна диагноза.
Как работи предварителната класификация на изображения, поддържана от AI, в това устройство; периферна цитонамазка, седимент от урина и как се използва в микробиологията; и ние ще покрием границите на модела (рядка клетка, артефакт, качество на оцветяване, промяна на разпространението). Основен принцип: Предварителната класификация на AI е скрининг, а не диагноза; Диагнозата и окончателното одобрение на абнормни и критични находки принадлежат на специалиста.
Как работи предварителната класификация на изображения
Моделите на изображения с изкуствен интелект се учат да категоризират клетка или структура, като се обучават върху голям брой етикетирани примери. В дигитален хематологичен анализатор устройството сканира кръвната натривка, улавя отделни клетки и моделът поставя всяка в клас (неутрофили, лимфоцити, моноцити, еозинофили, базофили и т.н.). На експерта се представят предварително класифицирани клетки като галерия; Експертът потвърждава, коригира или прекласифицира. По подобен начин анализаторите на уринния седимент откриват еритроцити, левкоцити, епител, кристали и отливки; Някои микробиологични системи предварително оценяват броя на колониите и моделите на растеж.
Резултатът от модела съдържа два компонента: клас (тази клетка е неутрофилна) и оценка на доверието (колко е уверена в тази класификация). Клетки с ниски резултати на доверие или маркирани като „нетипични/неидентифицирани“ определено трябва да бъдат насочени към специалист. Имайте предвид, че моделът може да класифицира погрешно клетка с висока степен на сигурност; оценката на доверието не е гаранция за точност.
Приложение
AI предварителна работа
експертна работа
периферна цитонамазка
Предварително сортиране на клетки, сервиране в галерия
Анормално/взривно/атипично потвърждение, морфологична интерпретация
утайка от урина
Предварително разпознаване и броене на елементи
Потвърждение на кристална/отливка/патологична клетка
Микробиология (колония)
Брой колонии, предварителна оценка на растежа
Типово разграничение, клинично значение
Костен мозък / патология
Маркиране на поле/клетка
Диагностична интерпретация, одобрение от лекар
Защо моделът е "скрининг", а не диагноза
Най-ценният принос на моделите на изображения е, че те спестяват време на експерта чрез бързо преминаване на нормални и общи модели. Но разчитането на модела за вземане на диагностични решения е опасно поради три причини:
- Редки находки. Моделът може да не разпознае рядка клетка (напр. бласт, паразит, атипичен лимфоцит), която рядко вижда в данните за обучение. Най-критичните открития често са най-редките; Това е мястото, където фалшивият отрицателен резултат е най-опасен.
- Артефакт и картина. Качеството на оцветяване, дебелината на препарата и артефактите при изсъхване могат да подведат модела. При лошо оцветен препарат моделът може безопасно да се класифицира погрешно.
- Смяна на разпределението. Ако моделът е обучен с едно лабораторно устройство и протокол за оцветяване, ефективността му може да намалее с различно устройство/оцветяване. Ако вашата популация се различава от обучаващата популация, моделът ще работи по-слабо от очакваното.
Внимание: „Моделът каза, че е нормално, аз не погледнах“ е най-често срещаният начин да пропуснете фалшив отрицателен резултат. Ако има необичайно клинично подозрение (например предварителна диагноза левкемия), цитонамазката се изследва от специалист, независимо какво казва моделът.
Стъпка по стъпка: защитен поток за предварителна оценка на изображението
- Проверете качеството на оцветяването и подготовката. Лошата подготовка подвежда както модела, така и окото; осигурете първо качество.
- Вземете предварителна класификация на модела като галерия. Бърз преглед на нормални класове с висока сигурност.
- Първо прегледайте тези, отбелязани с ниска степен на доверие и „нетипични“. Ако моделът е неясен, решението е ваше.
- Дръжте клиничното подозрение над модела. Извършете пълен ръчен преглед на случай, при който се очаква аномалия.
- Проверете и докладвайте критични констатации. Находки като бласти, паразити и злокачествени клетки се потвърждават от експерт; При необходимост се споделя с лекаря.
Забележка: В допълнение към използването на AI като компонент на устройство за изображения в това устройство, има и ограничение при работа с езиков модел: качването на изображения за подготовка на пациенти в публично достъпен езиков инструмент е риск за поверителността и разчитането на невалидиран инструмент за клинична диагностика е погрешно. Диагностиката на образа се извършва с помощта на валидирани клинични системи и експертни очи.
Слаба подкана / Силна подкана
Следното сравнение се прилага, когато използвате AI като текстова поддръжка (напр. за редактиране на морфологична бележка или подготовка на описание на урок); не за решение за диагностично изображение.
Слаба подкана:
Диагностицирайте какво има в тази кръвна натривка. [изображение]
Тази подкана пита AI за диагноза; като има предвид, че езиковият инструмент не е валидиран за клинична диагноза и изображението на пациента е рисковано от гледна точка на поверителността. Това е грешна и опасна употреба.
Мощна подкана:
Вашата роля: асистент, който подготвя текст за обучение/доклад за лабораторния специалист. ДИАГНОСТИКА; Тълкуването на изображения е моя работа. По-долу пиша собствените си морфологични наблюдения (анонимно); Превърнете ги в чиста чернова на доклад за намазка и маркирайте коя находка изисква експертно потвърждение. Моите наблюдения: преобладаване на неутрофили, леко изместване вляво, малко атипични лимфоцити [експертно потвърждение], впечатление за токсични гранули. Не предполагайте окончателна диагноза.
Силната воля поддържа диагнозата с експерта, използва AI само за да организира собствените си наблюдения и маркира констатацията, която изисква потвърждение.
три мини калъфа
Случай 1 — Ефективно елиминиране. В хематологична лаборатория дигитален анализатор сортира предварително 220 кръвни натривки на ден. От тях 150 имат напълно нормални модели и високи резултати за доверие; Експертът бързо ги преглежда и одобрява чрез галерията. Останалите 70 цитонамазки (ниска достоверност или маркирани) се подлагат на пълен ръчен преглед. Резултатът: времето на специалиста е концентрирано върху случаи, които действително изискват преглед, общото време е значително намалено. Моделът е елиминиран, експертът е прегледал.
Случай 2 — Избягал взрив. В един случай моделът маркира няколко клетки като „атипични лимфоцити“ с ниска степен на сигурност, но експертът бързо потвърди и премина през галерията поради плътността. По-късно клиничното състояние на пациента се влошава; Когато цитонамазката се изследва отново, се вижда, че тези клетки всъщност са бласти. Урок: клетките, които моделът маркира като „с ниска степен на доверие/нетипични“, никога не се валидират бързо; Най-критичната находка може да е скрита там. Фалшивият отрицателен резултат е най-скъпата грешка.
Случай 3 — Артефакт на оцветяване. На анализатора на уринния седимент моделът отбелязва множество "кристали" в слабо оцветен препарат. Когато експертът изследва препарата, той вижда, че това са оцветяващи утайки (артефакти); Няма истински кристал. Препаратът е подновен. Урок: моделът може да обърка артефакта с истинската структура; Винаги първо се проверява качеството на препарата.
Копируеми шаблони за подкана
ШАБЛОН НА ЧЕРНОВА ЗА МОРФОЛОГИЧЕН ДОКЛАД Вашата роля: асистент, който превежда морфологични наблюдения, написани от мен (експерта), в организирана чернова на доклад. Не поставяйте диагноза. Изложете моите наблюдения по-долу на стандартния език на доклада за разпространение; маркирайте несигурни/нетипични констатации като „[експертно потвърждение]“; не предполагат окончателна диагноза. Моите наблюдения: [текст].
ШАБЛОН ЗА ПРАВИЛО ЗА ИЗКЛЮЧЕНИЕ НА МОДЕЛА НА ИЗОБРАЖЕНИЕ Напишете като контролен списък за системата за предварително сортиране на изображения кои случаи ТРЯБВА да преминат към пълен ръчен преглед: резултат с ниска степен на достоверност, етикет „нетипичен/неидентифициран“, подозирана клинична аномалия, лошо качество на подготовката, кандидат за критична находка. Добавете обосновка за всеки елемент.
ШАБЛОН ЗА КОНТРОЛ НА КАЧЕСТВОТО НА ПРЕПАРАТА Избройте елементите за качество, които бих проверил, преди да оценя препарат за намазка/седимент: интензитет на оцветяване, дисперсия/дебелина, артефакт, изсъхване, замърсяване. Предложете критерии за „приемане/подготвяне“ за всеки елемент.
ШАБЛОН ЗА ОПИСАНИЕ НА ОБУЧЕНИЕТО Вашата роля: асистент, подготвящ текст за обучение за лабораторни стажанти. Обяснете това морфологично понятие просто и точно: [понятие]. Дайте пример, посочете разликата между подобни структури, но подчертайте, че решението за диагноза принадлежи на специалиста. Качване на изображение; Обяснете само с текст.
Често срещани грешки
- Грешка в класификацията на модела за разпознаване. Предварителното сортиране е елиминиране; Аномалната/критична находка се потвърждава от експерта.
- Бързо одобряване на ниски безопасни/нетипични флагове. Най-критичните открития са точно там; Те се изследват първо и внимателно.
- Прескачане на качеството на подготовката. Слабо рисуване на модел и мами окото; Качеството е на първо място.
- Забравяйки смяната на дистрибуцията. Модел, обучен с друго устройство/багрило, може да работи зле върху вашите проби.
- Качване на изображението на пациента в публичния инструмент. Риск от нарушаване на поверителността и непотвърдена диагноза.
Съвет: Когато работите с модела на изображението, нека това бъде ваше правило: "Моделът обикновено може да ме ускори, но необичайно никога няма да ме отпусне." Ако има клинично съмнение или моделът е неясен, решението е на експерта на микроскопа.
В обобщение
Предварителната оценка на изображението с AI елиминира нормалните модели в кръвните натривки, утайката от урина и микробиологията, освобождавайки време на специалиста да се съсредоточи върху случаи, които действително изискват изследване. Но моделът е инструмент за скрининг, а не диагноза: той може да пропусне редки находки, да обърка артефактите за истински и да отслаби в различни популации. Диагнозата и окончателното одобрение на абнормни и критични находки са на специалиста; първо се изследват нискодостоверни и нетипични маркери; Винаги първо се проверява качеството на препарата. Тъй като фалшивият отрицателен резултат е най-скъпата грешка, клиничното подозрение надделява над резултата от модела.
Задача за приложение
С шаблон „Правило за изключение на модела на изображение“ за система за предварителна класификация на изображения, която използвате (или пример), избройте кои случаи определено ще преминат към пълен ръчен преглед. След това превърнете набор от морфологични наблюдения в обикновен отчет с шаблона „Чернова на морфологичен отчет“ и маркирайте констатациите, които изискват потвърждение. Накрая създайте списък за проверка на качеството с шаблона „Контрол на качеството на подготовката“.
контролен списък
- [ ] Използвах изхода на модела като елиминиране, а не като диагноза.
- [ ] Първо и внимателно прегледах тези, маркирани с ниско ниво на безопасност/нетипично.
- [ ] Проверих качеството на препарата, преди да го оценя.
- [ ] В случай на съмнение за клинична аномалия, направих пълен ръчен преглед.
- [ ] Не съм качил изображения на пациенти в публични инструменти.
- [ ] Потвърдих критичните открития експертно и ги споделих с лекаря, когато беше необходимо.