Ganancias:
- Capacidad para explicar el soporte de la IA para el recuento, la segmentación y la clasificación de células en un flujo de trabajo de imágenes de diapositivas completas (WSI)
- Capacidad para reconocer el efecto de la variabilidad de pintura y escaneo en el rendimiento del modelo y el cambio de dominio.
- Capacidad para validar los resultados de la IA de patología con estándar de referencia, muestreo y aprobación del patólogo.
La patología es la rama de la medicina en la que se identifica una enfermedad examinando una muestra de tejido bajo un microscopio; Aquí se establece el "estándar de oro" de muchos diagnósticos de cáncer. La patología digital es la digitalización de una sección de tejido teñido en un portaobjetos de vidrio con un escáner de alta resolución. El archivo resultante se denomina imagen de diapositiva completa (WSI para abreviar); Una sola diapositiva puede ser una imagen gigante de tamaño gigapíxel, es decir, miles de millones de píxeles. La inteligencia artificial respalda el recuento de células, la segmentación de regiones y la clasificación en estas enormes imágenes. En esta unidad veremos el flujo de trabajo de WSI, su mayor problema técnico: la variabilidad de tinción/escaneo y por qué la aprobación del patólogo es esencial.
Digámoslo desde el principio: la inteligencia artificial puede ser un contador, un escáner preliminar y un segundo ojo en patología; Pero las decisiones sobre el diagnóstico, la estadificación y la clasificación del cáncer pertenecen al patólogo. El modelo no diagnostica.
Pasos del flujo de trabajo de WSI
Paso 1: Detección y control de calidad. Se escanea el portaobjetos de vidrio; Defectos como desenfoque, marcas de pliegue y burbujas de aire se pueden detectar automáticamente. Los escaneos de mala calidad no deberían ingresar al modelo en absoluto.
Paso 2: Eliminación del mosaico (parche). La imagen de gigapíxeles no se puede procesar directamente; se divide en cuadrados pequeños (parche inglés, normalmente de 256x256 o 512x512 píxeles). El modelo evalúa cada mosaico por separado y luego se combinan los resultados.
Paso 3: análisis de tejido/célula. Modelo; Lleva a cabo tareas como la segmentación del sitio del tumor, el recuento de mitosis (células en división), la densidad nuclear o el cálculo de un marcador (por ejemplo, la tasa de tinción Ki-67). El resultado es una medición numérica o un mapa de calor.
Paso 4: Consolidación e informes. Los resultados de los mosaicos se combinan a nivel de diapositiva; Se produce un resumen, por ejemplo, "porcentaje de área tumoral" o "recuento mitótico".
Paso 5: evaluación del patólogo. El patólogo examina las regiones y cuenta marcadas por el modelo; acepta, corrige o rechaza. El diagnóstico y la clasificación dependen del patólogo.
El mayor obstáculo: la variabilidad del teñido y el escaneo
Las secciones de tejido generalmente se tiñen con H&E (hematoxilina y eosina; el tinte estándar que tiñe los núcleos de color azul violeta y el citoplasma de rosa). Pero la intensidad de la tinción varía notablemente según el laboratorio, el lote de tinción, el grosor de la sección y la marca del escáner. El ojo humano se adapta fácilmente a estas diferencias; Es posible que el modelo no sea compatible.
Si un modelo ha aprendido basándose en los tonos rosa-púrpura del laboratorio A, su rendimiento disminuirá en la tinción más pálida o más oscura del laboratorio B. Este fenómeno se llama cambio de dominio y es la causa más común de falla en patología digital. Enfoques de solución: normalización del color (mover imágenes a un espacio de color común), datos de entrenamiento multicéntrico y, lo más importante, validación externa en cada laboratorio que se utilizará.
Tres minicasos: en cifras
Caso 1: Consistencia en el recuento mitótico. El recuento mitótico en la clasificación del cáncer de mama es importante pero laborioso y variable de un observador a otro. El recuento preliminar asistido por IA en un laboratorio, la concordancia (kappa) entre dos patólogos aumentó de 0,55 a 0,71 y el tiempo de recuento por portaobjetos disminuyó de 4 minutos a 1,5 minutos. Sin embargo, cada recuento final fue confirmado por el patólogo; El modelo sugirió, decidió el patólogo.
Caso 2: Impacto del cambio de campo. En el laboratorio que desarrolló un modelo de segmentación de tumores, funcionó correctamente el 93% de las veces. El mismo modelo sobreestimó sistemáticamente el área del tumor en un 20 % en el laboratorio asociado utilizando un escáner y un tinte diferentes. Después de la normalización del color y la revalidación con 200 portaobjetos de ese laboratorio, la diferencia disminuyó a un nivel aceptable.
Caso 3: Falacia de muestreo. Un modelo dijo "no" tumor en una diapositiva; sin embargo, el modelo solo evaluó el área escaneada y el tumor estaba en una sección sin muestrear. El diagnóstico patológico es tan bueno como la selección y el muestreo de portaobjetos; La salida "negativa" de la IA no compensa el submuestreo. Es por eso que un resultado negativo de IA por sí solo nunca significa "no hay enfermedad".
Aviso débil / Aviso fuerte
Nota: Las siguientes indicaciones son para configurar el informe de patología y el texto del flujo de trabajo; El diagnóstico por imágenes de tejidos es obra de patólogos y software verificados.
Aviso débil:
Según este informe de patología, ¿existe cáncer? [informe]
Potente mensaje:
Tu rol: Eres el asistente de estructuración del informe de patología (NO ERES DIAGNÓSTICO). Estructurar el siguiente informe de patología anónimo: - Tabla del tipo de muestra, tinción, tipo/grado de tumor, margen quirúrgico, marcadores. - Mantener intacta la redacción ambigua ("se recomienda correlación clínica atípica"). - No agregar hallazgos que no estén en el texto; escriba “no especificado” en el campo que falta.- Finalmente, enumere 3 puntos que el patólogo debe confirmar.Informe anónimo:[texto]
Cuatro plantillas copiables
1) Estandarización de informes:
Trace el siguiente informe de patología anónimo en campos estructurados (órgano, diagnóstico, grado, margen, porcentajes de marcador). Cíñete al texto. Informe: [texto]
2) Verificación de coherencia del token:
Enumere todos los marcadores numéricos y porcentuales (Ki-67, ER, PR, HER2) mencionados en este informe; Marcar valores que entran en conflicto entre sí o con el diagnóstico. Informe: [texto]
3) Plan de validación del modelo (patología digital):
Escriba un borrador del plan de validación para un modelo de segmentación WSI: normalización del color, validación externa multicéntrica, acuerdo de patólogos (kappa), pruebas de cambio de campo. Marque los puntos de validación del patólogo por separado.
4) Agregar advertencia de muestreo:
Agregue al siguiente resultado negativo de IA la advertencia de que "el muestreo puede ser limitado, un resultado negativo no excluye la enfermedad" y el requisito de confirmación patológica. Salida: [texto]
Rol del modelo: por tipo de tarea
Tipo de tarea
Contribución de la IA
criticidad
verificación
Segmentación de la región tumoral
alto
alto
Patólogo + verificación externa
Mitosis/recuento de células
alto
alto
Confirmación patológica
Porcentaje de marcador (Ki-67)
alto
medio
Comparación de referencias
Control de calidad (foco/defecto)
alto
bajo
control al azar
Configuración del informe (texto)
alto
bajo
Confirmación patológica
Consejo: Al evaluar una propuesta de modelo en patología digital, pregunte siempre: "¿En qué laboratorios de tinciones y escáneres se ha entrenado este modelo y se ha validado en mi laboratorio?" Si la respuesta es "no", las cifras de rendimiento aún no se aplican a su caso.
Precaución: el hecho de que la IA diga "sin tumor" no significa que no haya ningún tumor en el tejido no muestreado. Un resultado negativo en patología está limitado por la calidad del muestreo; el patrón no puede exceder este límite y un resultado negativo no es garantía de diagnóstico.
Errores comunes
- Subestimar la variabilidad del color/tinte. La deriva de campo es la causa más común de falla en patología digital.
- Entrene en un centro y utilícelo en todas partes. Diferentes navegadores y colores crean una degradación silenciosa del rendimiento.
- Confundir un resultado negativo con seguridad. El límite de muestreo no puede ser compensado por el modelo.
- Ignorando la variabilidad interobservador. El modelo debe evaluarse en consecuencia si el estándar de referencia en sí es variable.
- Eliminando al patólogo. El conteo y la segmentación son apoyo; Diagnóstico y clasificación del reposo con el patólogo.
En resumen
- La patología digital analiza imágenes WSI de gigapíxeles dividiéndolas en mosaicos; La IA apoya el recuento y la segmentación de células.
- La mayor trampa técnica es la deriva del campo debido a la variabilidad de tinción/escaneo; La normalización del color y la validación externa son esenciales.
- Un resultado de IA negativo está limitado por el límite de muestreo y no proporciona garantía de diagnóstico.
- El estándar de referencia y la variabilidad interobservador son el contexto para la evaluación del modelo.
- El diagnóstico, la estadificación y la clasificación son responsabilidad del patólogo; La IA no diagnostica.
Tarea de aplicación
Seleccione un modelo hipotético de patología digital (por ejemplo, cálculo del porcentaje Ki-67). Escriba un plan de validación externa para este modelo: cuántas diapositivas de qué laboratorios, qué normalización de color, cómo medirá la concordancia de los patólogos y cómo probará la deriva del campo. Luego escriba en una oración la advertencia de restricción que debe agregarse a la salida negativa/positiva del modelo.
lista de verificación
- [ ] Conozco los pasos de escaneo, mosaico, análisis y composición del flujo de trabajo de WSI.
- [ ] Entiendo cómo la variabilidad de la pintura/escaneado provoca la desviación del campo y cómo se gestiona.
- [ ] Entiendo que el resultado negativo de IA está limitado por el límite de muestreo.
- [ ] Puedo utilizar los conceptos de validación externa y acuerdo patológico (kappa).
- [ ] He internalizado que el diagnóstico y la decisión de clasificación quedan en manos del patólogo.