Dobici:
- Sposobnost objašnjavanja podrške AI za brojanje ćelija, segmentaciju i ocjenjivanje u toku rada cijelog slajda (WSI)
- Sposobnost prepoznavanja efekta varijabilnosti slikanja i skeniranja na performanse modela i promjenu domena
- Sposobnost validacije patoloških AI izlaza sa referentnim standardom, uzorkovanjem i odobrenjem patologa
Patologija je grana medicine u kojoj se bolest identificira ispitivanjem uzorka tkiva pod mikroskopom; Ovdje se postavlja "zlatni standard" mnogih dijagnoza raka. Digitalna patologija je digitalizacija obojenog presjeka tkiva na stakalcu sa skenerom visoke rezolucije. Rezultirajuća datoteka naziva se cijela slika slajda (skraćeno WSI); Jedan slajd može biti ogromna slika veličine gigapiksela, odnosno milijardi piksela. Umjetna inteligencija podržava brojanje ćelija, segmentaciju regiona i ocjenjivanje na ovim ogromnim slikama. U ovoj jedinici ćemo vidjeti tok rada WSI, njegovu najveću tehničku zamku: varijabilnost bojenja/skeniranja i zašto je odobrenje patologa neophodno.
Recimo od početka: umjetna inteligencija može biti brojač, preliminarni skener i drugo oko u patologiji; Ali dijagnoza raka, stadijum i odluke o stepenu pripadaju patologu. Model ne postavlja dijagnozu.
Koraci toka rada WSI
Korak 1 — Skrining i kontrola kvaliteta. Skenira se dijapozitiv; Defekti kao što su defokusiranje, tragovi preklapanja i mjehurići zraka mogu se otkriti automatski. Skeniranje lošeg kvaliteta uopće ne bi trebalo ući u model.
Korak 2 — Uklanjanje pločica (zakrpa). Gigapikselna slika se ne može direktno obraditi; podijeljen je na male kvadrate (engleska zakrpa, obično 256x256 ili 512x512 piksela). Model procjenjuje svaku pločicu posebno, a zatim se rezultati kombinuju.
Korak 3 — Analiza tkiva/ćelija. Model; Obavlja zadatke kao što su segmentacija mjesta tumora, brojanje mitoze (dijelećih stanica), nuklearna gustoća ili izračunavanje markera (npr. Ki-67 stopa bojenja). Izlaz je numeričko mjerenje ili toplotna mapa.
Korak 4 — Konsolidacija i izvještavanje. Rezultati pločica se kombinuju na nivou slajda; Sažetak se proizvodi, na primjer, "postotak površine tumora" ili "mitotski broj".
Korak 5 — Procjena patologa. Patolog ispituje regije i broji označene modelom; prihvata, ispravlja ili odbija. Dijagnoza i rangiranje su na patologu.
Najveća zamka: varijabilnost bojenja i skeniranja
Presjeci tkiva se obično boje H&E (hematoksilin i eozin; standardna boja koja boji jezgre u plavo-ljubičasto, a citoplazmu u ružičasto). Ali intenzitet bojenja značajno varira u zavisnosti od laboratorije, serije mrlja, debljine preseka i marke skenera. Ljudsko oko se lako prilagođava ovim razlikama; Model možda nije kompatibilan.
Ako je model naučio na osnovu ružičasto-ljubičastih tonova laboratorije A, njegove performanse će se smanjiti na bljeđe ili tamnije bojenje laboratorije B. Ovaj fenomen se naziva pomak domene i najčešći je uzrok neuspjeha u digitalnoj patologiji. Pristupi rješenju: normalizacija boja (premještanje slika u zajednički prostor boja), multicentrični podaci za obuku i — što je najvažnije — vanjska validacija u svakoj laboratoriji koja će se koristiti.
Tri mini slučaja: prema brojevima
Slučaj 1 — Konzistencija u mitotičkom broju. Mitotičko brojanje u ocjenjivanju raka dojke je važno, ali naporno i varira od posmatrača do posmatrača. Preliminarno brojanje uz pomoć AI u jednoj laboratoriji, dogovor (kapa) između dva patologa povećao se sa 0,55 na 0,71, a vrijeme brojanja po slajdu smanjeno je sa 4 minute na 1,5 minuta. Međutim, svaki konačni broj je potvrđen od strane patologa; Model je predložio, patolog je odlučio.
Slučaj 2 — Pogodak smjene polja. U laboratoriji koja je razvila model segmentacije tumora, radio je ispravno 93% vremena. Isti model je sistematski precijenio područje tumora za 20% u partnerskoj laboratoriji koristeći drugačiji skener i boju. Nakon normalizacije boje i revalidacije sa 200 slajdova iz te laboratorije, razlika se smanjila na prihvatljiv nivo.
Slučaj 3 — Zabluda uzorkovanja. Jedan model je rekao "ne" tumor na pločici; međutim, model je procijenio samo skenirano područje i tumor je bio u neuzorkovanom dijelu. Dijagnoza patologije je dobra kao i odabir stakalca i uzorkovanje; AI "negativni" izlaz ne kompenzira nedovoljno uzorkovanje. Zato sam negativan rezultat AI nikada ne znači "nema bolesti".
Slaba prompt / jaka prompt
Napomena: Sljedeće upute služe za konfiguriranje izvještaja o patologiji i teksta toka posla; Dijagnoza slike tkiva je djelo provjerenog softvera i patologa.
Slab upit:
Prema ovom patološkom izvještaju, postoji li rak? [izvještaj]
Snažan upit:
Vaša uloga: Vi ste asistent za strukturiranje izvještaja o patologiji (VI NISTE DIJAGNOSTIKA). Strukturirajte sljedeći anonimni izvještaj o patologiji: - Tabelirajte tip uzorka, bojenje, tip/grad tumora, hiruršku marginu, markere. - Očuvajte dvosmislene riječi ("atipična, klinička korelacija se preporučuje") netaknute. - Ne dodajte nalaze koji nisu u tekstu; upišite "nespecificirano" u polje koje nedostaje.- Konačno, navedite 3 tačke koje patolog treba da potvrdi.Anonimni izvještaj:[tekst]
Četiri predloška koji se mogu kopirati
1) Standardizacija izvještaja:
Iscrtajte sljedeći anonimni izvještaj o patologiji u strukturirana polja (organ, dijagnoza, stupanj, margina, postotak markera). Držite se teksta. Izvještaj: [tekst]
2) Provjera konzistentnosti tokena:
Navedite sve procentualne i numeričke markere (Ki-67, ER, PR, HER2) spomenute u ovom izvještaju; Označite vrijednosti koje su u sukobu jedna s drugom ili s dijagnozom. Izvještaj: [tekst]
3) Plan validacije modela (digitalna patologija):
Napišite nacrt plana validacije za model segmentacije WSI: normalizacija boje, multicentrična eksterna validacija, dogovor patologa (kapa), testiranje pomaka polja. Posebno označite tačke validacije patologa.
4) Dodavanje upozorenja o uzorkovanju:
Dodajte sljedećem negativnom rezultatu AI upozorenje da "uzorkovanje može biti ograničeno, negativan rezultat ne isključuje bolest" i zahtjev za potvrdu patologa. Izlaz: [tekst]
Uloga modela: prema vrsti zadatka
Vrsta zadatka
AI doprinos
kritičnost
verifikacija
Segmentacija regije tumora
visoko
visoko
Patolog + eksterna verifikacija
Mitoza/broj ćelija
visoko
visoko
Potvrda patologa
Postotak markera (Ki-67)
visoko
srednje
Poređenje referenci
Kontrola kvaliteta (fokus/defekt)
visoko
nisko
provjeru na licu mjesta
Konfiguracija izvještaja (tekst)
visoko
nisko
Potvrda patologa
Savjet: Kada procjenjujete prijedlog modela u digitalnoj patologiji, uvijek pitajte: "U kojim laboratorijama je ovaj model obučen i da li je validiran u mojoj laboratoriji?" Ako je odgovor "ne", brojke o performansama još uvijek se ne odnose na vas.
Oprez: Samo zato što AI kaže "nema tumora" ne znači da nema tumora u neuzorkovanom tkivu. Negativan rezultat u patologiji ograničen je kvalitetom uzorkovanja; uzorak ne može prekoračiti ovu granicu i negativan rezultat nije dijagnostičko osiguranje.
Uobičajene greške
- Potcenjivanje varijabilnosti boje/boje. Pomeranje polja je najčešći uzrok neuspjeha u digitalnoj patologiji.
- Trenirajte u jednom centru i koristite svuda. Različiti pretraživač i boje stvaraju tihu degradaciju performansi.
- Pogrešiti negativan rezultat za sigurnost. Granica uzorkovanja se ne može kompenzirati modelom.
- Zanemarivanje varijabilnosti među posmatračima. Model treba u skladu s tim ocijeniti ako je sam referentni standard varijabilan.
- Eliminacija patologa. Brojanje i segmentacija su podrška; Dijagnoza i ocenjivanje ostaju sa patologom.
Ukratko
- Digitalna patologija analizira gigapikselne WSI slike tako što ih dijeli na pločice; AI podržava brojanje ćelija i segmentaciju.
- Najveća tehnička zamka je odstupanje polja zbog varijabilnosti bojenja/skeniranja; normalizacija boje i vanjska validacija su od suštinskog značaja.
- Negativan AI rezultat ograničen je granicom uzorkovanja i ne pruža dijagnostičku sigurnost.
- Referentni standard i varijabilnost među posmatračima su kontekst za evaluaciju modela.
- Dijagnoza, postavljanje i ocenjivanje su odgovornost patologa; AI ne postavlja dijagnozu.
Zadatak aplikacije
Odaberite hipotetički model digitalne patologije (npr. izračunavanje postotka Ki-67). Napišite eksterni plan validacije za ovaj model: koliko slajdova iz kojih laboratorija, koja normalizacija boje, kako ćete mjeriti slaganje patologa i kako ćete testirati pomjeranje polja. Zatim u jednoj rečenici napišite upozorenje o ograničenju koje treba dodati negativnom/pozitivnom rezultatu modela.
kontrolna lista
- [ ] Znam korake skeniranja, postavljanja pločica, analize i sastavljanja WSI toka posla.
- [ ] Razumijem kako varijabilnost slikanja/skeniranja uzrokuje pomjeranje polja i kako se njime upravlja.
- [ ] Razumijem da je negativan AI rezultat ograničen granicom uzorkovanja.
- [ ] Mogu koristiti koncepte vanjske validacije i dogovora patologa (kapa).
- [ ] Internacionalizirao sam da odluka o dijagnozi i ocjenjivanju ostaje na patologu.