zisky:
- Schopnost vysvětlit podporu umělé inteligence pro počítání buněk, segmentaci a klasifikaci v pracovním postupu celého snímku (WSI)
- Schopnost rozpoznat vliv variability malování a skenování na výkon modelu a posun domény
- Schopnost ověřit patologické výstupy AI s referenčním standardem, odběrem vzorků a schválením patologa
Patologie je obor medicíny, ve kterém se nemoc identifikuje zkoumáním vzorku tkáně pod mikroskopem; Dělá se zde „zlatý standard“ mnoha diagnóz rakoviny. Digitální patologie je digitalizace obarveného řezu tkáně na podložním sklíčku pomocí skeneru s vysokým rozlišením. Výsledný soubor se nazývá obrázek celého snímku (zkráceně WSI); Jediný snímek může být obří obrázek o velikosti gigapixelů, tedy miliard pixelů. Umělá inteligence podporuje počítání buněk, segmentaci regionů a klasifikaci na těchto obrovských snímcích. V této jednotce uvidíme pracovní postup WSI, jeho největší technické úskalí: variabilitu barvení/skenování a proč je nezbytné schválení patologem.
Řekněme od začátku: umělá inteligence může být počítadlem, předběžným skenerem a druhým okem v patologii; Ale rozhodnutí o diagnóze rakoviny, stagingu a klasifikaci patří patologovi. Model nediagnostikuje.
Kroky WSI Workflow
Krok 1 — Screening a kontrola kvality. Podložní sklíčko je naskenováno; Defekty, jako je rozostření, značky přehybů a vzduchové bubliny, lze detekovat automaticky. Nekvalitní skeny by se do modelu vůbec neměly dostat.
Krok 2 — Odstranění dlaždice (záplaty). Gigapixelový obraz nelze zpracovat přímo; je rozdělena na malé čtverečky (anglický patch, typicky 256x256 nebo 512x512 pixelů). Model vyhodnotí každou dlaždici zvlášť, poté se výsledky spojí.
Krok 3 — Analýza tkáně/buněk. Model; Provádí úkoly, jako je segmentace místa nádoru, počítání mitózy (dělících se buněk), jaderná hustota nebo výpočet markeru (např. rychlost barvení Ki-67). Výstupem je numerické měření nebo tepelná mapa.
Krok 4 – Konsolidace a výkaznictví. Výsledky dlaždic jsou kombinovány na úrovni snímku; Vytvoří se souhrn, například „procento plochy nádoru“ nebo „počet mitotických buněk“.
Krok 5 — Hodnocení patologem. Patolog zkoumá oblasti a počty označené modelem; přijímá, opravuje nebo odmítá. Diagnostika a klasifikace jsou na patologovi.
Největší úskalí: Variabilita barvení a skenování
Tkáňové řezy se obvykle barví H&E (hematoxylin a eozin; standardní barvivo, které barví jádra modrofialově a cytoplazmu růžově). Intenzita barvení se však výrazně liší podle laboratoře, šarže barvení, tloušťky řezu a značky skeneru. Lidské oko se těmto rozdílům snadno přizpůsobí; Model nemusí být kompatibilní.
Pokud se model naučil na základě růžovofialových tónů laboratoře A, jeho výkon se sníží při bledším nebo tmavším zbarvení laboratoře B. Tento jev se nazývá posun domény a je nejčastější příčinou selhání v digitální patologii. Řešení: normalizace barev (přesun obrázků do společného barevného prostoru), multicentrická trénovací data a – což je nejdůležitější – externí validace v každé laboratoři, která má být použita.
Tři mini případy: Podle čísel
Případ 1 – Konzistence v mitotickém počtu. Mitotické počítání při klasifikaci rakoviny prsu je důležité, ale pracné a pozorovatel od pozorovatele se liší. Předběžné počítání za pomoci AI v jedné laboratoři, shoda (kapa) mezi dvěma patology se zvýšila z 0,55 na 0,71 a doba počítání na sklíčko se snížila ze 4 minut na 1,5 minuty. Nicméně každý konečný počet byl potvrzen patologem; Navrhl model, rozhodl patolog.
Případ 2 – Posun pole. V laboratoři, která vyvinula model segmentace nádoru, fungoval správně 93 % času. Stejný model systematicky nadhodnocoval plochu nádoru o 20 % v partnerské laboratoři s použitím jiného skeneru a barviva. Po normalizaci barev a opětovné validaci s 200 preparáty z této laboratoře se rozdíl snížil na přijatelnou úroveň.
Případ 3 – Chybný výběr vzorku. Jeden model řekl "ne" nádor na sklíčku; model však hodnotil pouze snímanou oblast a nádor byl v řezu bez vzorku. Diagnostika patologie je stejně dobrá jako výběr sklíčka a odběr vzorků; AI „negativní“ výstup nekompenzuje podvzorkování. Proto samotný negativní výsledek AI nikdy neznamená „žádná nemoc“.
Slabá výzva / Silná výzva
Poznámka: Následující výzvy slouží ke konfiguraci zprávy o patologii a textu pracovního postupu; Diagnostika tkáňového obrazu je dílem ověřeného softwaru a patologů.
Slabá výzva:
Existuje podle této zprávy o patologii rakovina? [zpráva]
Výkonná výzva:
Vaše role: Jste asistent strukturování zprávy o patologii (NEJSTE DIAGNOSTIKA). Strukturujte následující anonymní patologickou zprávu:- Uveďte typ vzorku, barvení, typ/stupeň tumoru, chirurgický okraj, markery.- Ponechte nejednoznačné znění („atypické, doporučena klinická korelace“) nedotčené.- Nepřidávejte žádné nálezy, které nejsou v textu; do chybějícího pole napište „unspecified“.- Nakonec uveďte 3 body, které by měl patolog potvrdit.Anonymní zpráva:[text]
Čtyři kopírovatelné šablony
1) Standardizace sestav:
Zakreslete následující anonymní zprávu o patologii do strukturovaných polí (orgán, diagnóza, stupeň, okraj, procenta markerů). Držte se textu. Zpráva: [text]
2) Kontrola konzistence tokenu:
Uveďte všechny procentuální a numerické markery (Ki-67, ER, PR, HER2) uvedené v této zprávě; Označte hodnoty, které jsou v konfliktu mezi sebou nebo s diagnózou. Zpráva: [text]
3) Plán validace modelu (digitální patologie):
Napište návrh plánu validace pro model segmentace WSI: normalizace barev, multicentrická externí validace, dohoda patologa (kapa), testování posunu v terénu. Ověřovací body patologa označte samostatně.
4) Přidání upozornění na vzorkování:
K následujícímu negativnímu výsledku AI přidejte upozornění, že „odběr vzorků může být omezen, negativní výsledek nevylučuje onemocnění“ a požadavek na potvrzení patologem. Výstup: [text]
Role modelu: Podle typu úkolu
Typ úkolu
Příspěvek AI
kritičnost
ověření
Segmentace oblasti nádoru
vysoká
vysoká
Patolog + externí ověření
Mitóza/počet buněk
vysoká
vysoká
Potvrzení patologem
Procento značky (Ki-67)
vysoká
střední
Referenční srovnání
Kontrola kvality (ostření/defekt)
vysoká
nízká
namátková kontrola
Konfigurace přehledu (text)
vysoká
nízká
Potvrzení patologem
Tip: Při hodnocení návrhu modelu v digitální patologii se vždy zeptejte: "Na kterých laboratorních barveních a skenerech byl tento model vyškolen a byl ověřen v mé laboratoři?" Pokud je odpověď „ne“, údaje o výkonu se na vás zatím nevztahují.
Upozornění: To, že AI říká „žádný nádor“, neznamená, že v tkáni bez vzorku není žádný nádor. Negativní výsledek v patologii je limitován kvalitou odběru vzorků; vzor nemůže překročit tento limit a negativní výsledek není diagnostickou zárukou.
Časté chyby
- Podcenění variability barev/barviv. Posun pole je nejčastější příčinou selhání digitální patologie.
- Trénujte v jednom centru a používejte všude. Různé prohlížeče a barvy způsobují tiché snížení výkonu.
- Záměna negativního výsledku za ujištění. Limit vzorkování nemůže být modelem kompenzován.
- Ignorování variability mezi pozorovateli. Model by měl být odpovídajícím způsobem vyhodnocen, pokud je samotný referenční standard proměnný.
- Eliminace patologa. Počítání a segmentace jsou podporou; Diagnostika a klasifikace spočívají na patologovi.
V souhrnu
- Digitální patologie analyzuje gigapixelové obrázky WSI jejich rozdělením na dlaždice; AI podporuje počítání buněk a segmentaci.
- Největší technickou pastí je drift pole kvůli variabilitě barvení/skenování; je nezbytná normalizace barev a externí ověření.
- Negativní výsledek AI je omezen limitem odběru vzorků a neposkytuje diagnostickou jistotu.
- Referenční standard a variabilita mezi pozorovateli jsou kontextem pro hodnocení modelu.
- Diagnostika, staging a klasifikace jsou v kompetenci patologa; AI nediagnostikuje.
Aplikační úkol
Vyberte hypotetický model digitální patologie (např. výpočet procenta Ki-67). Napište plán externí validace pro tento model: kolik preparátů z kterých laboratoří, jaká normalizace barev, jak budete měřit shodu patologů a jak budete testovat drift v terénu. Poté jednou větou napište upozornění na omezení, které by mělo být přidáno k negativnímu/pozitivnímu výstupu modelu.
kontrolní seznam
- [ ] Znám kroky skenování, skládání, analýzy a skládání pracovních postupů WSI.
- [ ] Rozumím tomu, jak variabilita barvy/skenování způsobuje posun pole a jak je řízen.
- [ ] Chápu, že negativní výsledek AI je omezen limitem vzorkování.
- [ ] Umím používat koncepty externí validace a dohody patologa (kappa).
- [ ] Uvědomil jsem si, že rozhodnutí o diagnóze a klasifikaci zůstává na patologovi.