Κέρδη:
- Δυνατότητα επεξήγησης της υποστήριξης του AI για καταμέτρηση, τμηματοποίηση και βαθμολόγηση κελιών σε ροή εργασίας ολόκληρης εικόνας διαφανειών (WSI)
- Δυνατότητα αναγνώρισης της επίδρασης της μεταβλητότητας ζωγραφικής και σάρωσης στην απόδοση του μοντέλου και στη μετατόπιση τομέα
- Δυνατότητα επικύρωσης εξόδων τεχνητής νοημοσύνης παθολογίας με πρότυπο αναφοράς, δειγματοληψία και έγκριση από παθολόγο
Η παθολογία είναι ο κλάδος της ιατρικής στον οποίο η ασθένεια προσδιορίζεται με την εξέταση ενός δείγματος ιστού στο μικροσκόπιο. Το «χρυσό πρότυπο» πολλών διαγνώσεων καρκίνου γίνεται εδώ. Ψηφιακή παθολογία είναι η ψηφιοποίηση ενός χρωματισμένου τμήματος ιστού σε μια γυάλινη πλάκα με σαρωτή υψηλής ανάλυσης. Το αρχείο που προκύπτει ονομάζεται εικόνα ολόκληρης διαφάνειας (WSI για συντομία). Μια μεμονωμένη διαφάνεια μπορεί να είναι μια γιγάντια εικόνα μεγέθους gigapixel, δηλαδή δισεκατομμύρια pixel. Η τεχνητή νοημοσύνη υποστηρίζει την καταμέτρηση κυττάρων, την κατάτμηση περιοχών και τη βαθμολόγηση σε αυτές τις τεράστιες εικόνες. Σε αυτή την ενότητα θα δούμε τη ροή εργασιών WSI, τη μεγαλύτερη τεχνική του παγίδα: τη μεταβλητότητα χρώσης/σάρωσης και γιατί είναι απαραίτητη η έγκριση από παθολόγο.
Ας πούμε από την αρχή: η τεχνητή νοημοσύνη μπορεί να είναι ένας μετρητής, ένας προκαταρκτικός σαρωτής και ένα δεύτερο μάτι στην παθολογία. Όμως η διάγνωση του καρκίνου, η σταδιοποίηση και οι αποφάσεις βαθμολόγησης ανήκουν στον παθολόγο. Το μοντέλο δεν κάνει διάγνωση.
Βήματα ροής εργασίας WSI
Βήμα 1 — Έλεγχος και ποιοτικός έλεγχος. Η γυάλινη διαφάνεια σαρώνεται. Ελαττώματα όπως αποεστίαση, σημάδια διπλώματος και φυσαλίδες αέρα μπορούν να εντοπιστούν αυτόματα. Οι σαρώσεις κακής ποιότητας δεν πρέπει να εισέρχονται καθόλου στο μοντέλο.
Βήμα 2 — Αφαίρεση πλακιδίων (patch). Δεν είναι δυνατή η άμεση επεξεργασία της εικόνας Gigapixel. χωρίζεται σε μικρά τετράγωνα (Αγγλική ενημέρωση κώδικα, συνήθως 256x256 ή 512x512 pixel). Το μοντέλο αξιολογεί κάθε πλακίδιο ξεχωριστά και στη συνέχεια τα αποτελέσματα συνδυάζονται.
Βήμα 3 — Ανάλυση ιστού/κυττάρου. Μοντέλο; Εκτελεί εργασίες όπως τμηματοποίηση θέσης όγκου, μέτρηση μίτωσης (διαίρεση κυττάρων), πυρηνική πυκνότητα ή υπολογισμό ενός δείκτη (π.χ. ρυθμός χρώσης Ki-67). Η έξοδος είναι μια αριθμητική μέτρηση ή ένας χάρτης θερμότητας.
Βήμα 4 — Ενοποίηση και υποβολή εκθέσεων. Τα αποτελέσματα των πλακιδίων συνδυάζονται σε επίπεδο διαφάνειας. Παράγεται μια περίληψη, για παράδειγμα, "ποσοστό επιφάνειας όγκου" ή "αριθμός μιτωτικών".
Βήμα 5 — Αξιολόγηση Παθολόγου. Ο παθολόγος εξετάζει τις περιοχές και μετράει που σημειώνονται από το μοντέλο. αποδέχεται, διορθώνει ή απορρίπτει. Η διάγνωση και η βαθμολόγηση εναπόκεινται στον παθολόγο.
Η μεγαλύτερη παγίδα: Μεταβλητότητα βαφής και σάρωσης
Οι τομές ιστών συνήθως βάφονται με H&E (αιματοξυλίνη και ηωσίνη, η τυπική βαφή που χρωματίζει τους πυρήνες μπλε-ιώδες και το κυτταρόπλασμα ροζ). Ωστόσο, η ένταση της χρώσης ποικίλλει σημαντικά ανάλογα με το εργαστήριο, την παρτίδα λεκέδων, το πάχος τομής και τη μάρκα του σαρωτή. Το ανθρώπινο μάτι προσαρμόζεται εύκολα σε αυτές τις διαφορές. Το μοντέλο ενδέχεται να μην είναι συμβατό.
Εάν ένα μοντέλο έχει μάθει με βάση τους ροζ-μοβ τόνους του εργαστηρίου Α, η απόδοσή του θα μειωθεί στην πιο χλωμή ή πιο σκούρα χρώση του εργαστηρίου Β. Αυτό το φαινόμενο ονομάζεται μετατόπιση τομέα και είναι η πιο κοινή αιτία αποτυχίας στην ψηφιακή παθολογία. Προσεγγίσεις λύσεων: κανονικοποίηση χρώματος (μετακίνηση εικόνων σε κοινό χρωματικό χώρο), πολυκεντρικά δεδομένα εκπαίδευσης και — το πιο σημαντικό — εξωτερική επικύρωση σε κάθε εργαστήριο που θα χρησιμοποιηθεί.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Συνέπεια στο μιτωτικό αριθμό. Η μιτωτική μέτρηση στη βαθμολόγηση του καρκίνου του μαστού είναι σημαντική αλλά επίπονη και μεταβλητή από παρατηρητή σε παρατηρητή. Η προκαταρκτική μέτρηση με τη βοήθεια ΑΙ σε ένα εργαστήριο, η συμφωνία (kappa) μεταξύ δύο παθολογολόγων αυξήθηκε από 0,55 σε 0,71 και ο χρόνος μέτρησης ανά διαφάνεια μειώθηκε από 4 λεπτά σε 1,5 λεπτό. Ωστόσο, κάθε τελική καταμέτρηση επιβεβαιώθηκε από τον παθολόγο. Το μοντέλο πρότεινε, ο παθολόγος αποφάσισε.
Περίπτωση 2 — Χτύπημα μετατόπισης πεδίου. Στο εργαστήριο που ανέπτυξε ένα μοντέλο κατάτμησης όγκου, λειτουργούσε σωστά στο 93% των περιπτώσεων. Το ίδιο μοντέλο υπερεκτίμησε συστηματικά την περιοχή του όγκου κατά 20% στο συνεργαζόμενο εργαστήριο χρησιμοποιώντας διαφορετικό σαρωτή και βαφή. Μετά από κανονικοποίηση χρώματος και επανεπικύρωση με 200 διαφάνειες από αυτό το εργαστήριο, η διαφορά μειώθηκε σε ένα αποδεκτό επίπεδο.
Περίπτωση 3 — Δειγματοληπτική πλάνη. Ένα μοντέλο είπε "όχι" όγκος σε μια διαφάνεια. Ωστόσο, το μοντέλο αξιολόγησε μόνο τη σαρωμένη περιοχή και ο όγκος ήταν σε τμήμα χωρίς δείγμα. Η παθολογική διάγνωση είναι τόσο καλή όσο η επιλογή και η δειγματοληψία διαφανειών. Η "αρνητική" έξοδος AI δεν αντισταθμίζει την υποδειγματοληψία. Αυτός είναι ο λόγος για τον οποίο ένα αρνητικό αποτέλεσμα AI από μόνο του δεν σημαίνει ποτέ "καμία ασθένεια".
Αδύναμη προτροπή / Ισχυρή προτροπή
Σημείωση: Τα ακόλουθα μηνύματα προτρέπονται για τη διαμόρφωση της αναφοράς παθολογίας και του κειμένου ροής εργασίας. Η διάγνωση εικόνας ιστού είναι έργο επαληθευμένου λογισμικού και παθολογοανατομικών.
Αδύναμη προτροπή:
Σύμφωνα με αυτή την έκθεση παθολογίας, υπάρχει καρκίνος; [αναφορά]
Ισχυρή προτροπή:
Ο ρόλος σας: Είστε ο βοηθός δομικής αναφοράς παθολογίας (ΔΕΝ ΕΙΣΤΕ ΔΙΑΓΝΩΣΗ). Δομήστε την ακόλουθη ανώνυμη αναφορά παθολογίας:- Πίνακας τύπου δείγματος, χρώση, τύπος/βαθμός όγκου, χειρουργικό περιθώριο, δείκτες.- Διατηρήστε ανέπαφη τη διφορούμενη διατύπωση («συνιστάται άτυπη, κλινική συσχέτιση»). γράψτε "μη καθορισμένο" στο πεδίο που λείπει.- Τέλος, αναφέρετε 3 σημεία που πρέπει να επιβεβαιώσει ο παθολόγος. Ανώνυμη αναφορά:[κείμενο]
Τέσσερα αντιγράψιμα πρότυπα
1) Τυποποίηση αναφοράς:
Σχεδιάστε την ακόλουθη ανώνυμη αναφορά παθολογίας σε δομημένα πεδία (όργανο, διάγνωση, βαθμός, περιθώριο, ποσοστά δείκτη). Επιμείνετε στο κείμενο. Αναφορά: [κείμενο]
2) Έλεγχος συνέπειας διακριτικών:
Καταχωρίστε όλα τα ποσοστά και τους αριθμητικούς δείκτες (Ki-67, ER, PR, HER2) που αναφέρονται σε αυτήν την αναφορά. Σημειώστε τιμές που συγκρούονται μεταξύ τους ή με τη διάγνωση. Αναφορά: [κείμενο]
3) Πρότυπο σχέδιο επικύρωσης (ψηφιακή παθολογία):
Γράψτε ένα σχέδιο επικύρωσης για ένα μοντέλο τμηματοποίησης WSI: κανονικοποίηση χρώματος, πολυκεντρική εξωτερική επικύρωση, συμφωνία παθολογοανατομικού (kappa), δοκιμή μετατόπισης πεδίου. Σημειώστε τα σημεία επικύρωσης από παθολόγο ξεχωριστά.
4) Προσθήκη προειδοποίησης δειγματοληψίας:
Προσθέστε στο ακόλουθο αρνητικό αποτέλεσμα AI την προειδοποίηση ότι "η δειγματοληψία μπορεί να είναι περιορισμένη, ένα αρνητικό αποτέλεσμα δεν αποκλείει ασθένεια" και την απαίτηση για επιβεβαίωση από παθολόγο. Έξοδος: [κείμενο]
Ρόλος μοντέλου: Ανά τύπο εργασίας
Τύπος εργασίας
συνεισφορά AI
κρισιμότητα
επαλήθευση
Τμηματοποίηση περιοχής όγκου
ψηλά
ψηλά
Παθολόγος + εξωτερική επαλήθευση
Μίτωση/αριθμός κυττάρων
ψηλά
ψηλά
Επιβεβαίωση Παθολόγου
Ποσοστό δείκτη (Ki-67)
ψηλά
μεσαίο
Σύγκριση αναφοράς
Έλεγχος ποιότητας (εστίαση/ελάττωμα)
ψηλά
χαμηλά
επιτόπιος έλεγχος
Διαμόρφωση αναφοράς (κείμενο)
ψηλά
χαμηλά
Επιβεβαίωση Παθολόγου
Συμβουλή: Κατά την αξιολόγηση μιας πρότασης μοντέλου στην ψηφιακή παθολογία, ρωτήστε πάντα: "Σε ποιους λεκέδες και σαρωτές εργαστηρίων έχει εκπαιδευτεί αυτό το μοντέλο και έχει επικυρωθεί στο εργαστήριό μου;" Εάν η απάντηση είναι "όχι", οι αριθμοί απόδοσης δεν ισχύουν ακόμη για εσάς.
Προσοχή: Ακριβώς επειδή το AI λέει "χωρίς όγκο" δεν σημαίνει ότι δεν υπάρχει όγκος στον ιστό χωρίς δείγμα. Ένα αρνητικό αποτέλεσμα στην παθολογία περιορίζεται από την ποιότητα της δειγματοληψίας. το πρότυπο δεν μπορεί να υπερβεί αυτό το όριο και ένα αρνητικό αποτέλεσμα δεν είναι διαγνωστική διασφάλιση.
Συνήθη λάθη
- Υποεκτίμηση της μεταβλητότητας χρώματος/βαφής. Η μετατόπιση πεδίου είναι η πιο κοινή αιτία αποτυχίας στην ψηφιακή παθολογία.
- Προπονηθείτε σε ένα κέντρο και χρησιμοποιήστε παντού. Το διαφορετικό πρόγραμμα περιήγησης και ο χρωματισμός δημιουργούν αθόρυβη υποβάθμιση της απόδοσης.
- Λάθος αρνητικό αποτέλεσμα ως βεβαιότητα. Το όριο δειγματοληψίας δεν μπορεί να αντισταθμιστεί από το μοντέλο.
- Παράβλεψη μεταβλητότητας μεταξύ παρατηρητών. Το μοντέλο θα πρέπει να αξιολογηθεί αναλόγως εάν το ίδιο το πρότυπο αναφοράς είναι μεταβλητό.
- Εξάλειψη του παθολόγου. Η καταμέτρηση και η τμηματοποίηση είναι υποστήριξη. Διάγνωση και βαθμολόγηση ανάπαυση με τον παθολόγο.
Συνοπτικά
- Η ψηφιακή παθολογία αναλύει εικόνες WSI gigapixel διαιρώντας τις σε πλακίδια. Το AI υποστηρίζει την καταμέτρηση και την τμηματοποίηση κελιών.
- Η μεγαλύτερη τεχνική παγίδα είναι η μετατόπιση του πεδίου λόγω της μεταβλητότητας χρώσης/σάρωσης. Η κανονικοποίηση του χρώματος και η εξωτερική επικύρωση είναι απαραίτητες.
- Ένα αρνητικό αποτέλεσμα AI περιορίζεται από το όριο δειγματοληψίας και δεν παρέχει διαγνωστική διασφάλιση.
- Το πρότυπο αναφοράς και η μεταβλητότητα μεταξύ των παρατηρητών αποτελούν το πλαίσιο για την αξιολόγηση του μοντέλου.
- Η διάγνωση, η σταδιοποίηση και η βαθμολόγηση είναι ευθύνη του παθολόγο. Το AI δεν κάνει διάγνωση.
Εργασία εφαρμογής
Επιλέξτε ένα υποθετικό μοντέλο ψηφιακής παθολογίας (π.χ. υπολογισμός ποσοστού Ki-67). Γράψτε ένα σχέδιο εξωτερικής επικύρωσης για αυτό το μοντέλο: πόσες διαφάνειες από ποια εργαστήρια, ποια ομαλοποίηση χρωμάτων, πώς θα μετρήσετε τη συμφωνία του παθολογολόγου και πώς θα δοκιμάσετε τη μετατόπιση πεδίου. Στη συνέχεια, γράψτε σε μία πρόταση την προειδοποίηση περιορισμού που πρέπει να προστεθεί στην αρνητική/θετική έξοδο του μοντέλου.
λίστα ελέγχου
- [ ] Γνωρίζω τα βήματα σάρωσης, τοποθέτησης πλακιδίων, ανάλυσης και σύνθεσης της ροής εργασίας WSI.
- [ ] Καταλαβαίνω πώς η μεταβλητότητα βαφής/σάρωσης προκαλεί μετατόπιση πεδίου και πώς γίνεται η διαχείρισή της.
- [ ] Κατανοώ ότι το αρνητικό αποτέλεσμα AI περιορίζεται από το όριο δειγματοληψίας.
- [ ] Μπορώ να χρησιμοποιήσω τις έννοιες της εξωτερικής επικύρωσης και της συμφωνίας παθολογολόγου (kappa).
- [ ] Έχω εσωτερικεύσει ότι η διάγνωση και η απόφαση βαθμολόγησης παραμένει στον παθολόγο.