Kasu:
- Võimalus selgitada AI tuge rakkude loendamiseks, segmenteerimiseks ja liigitamiseks terve slaidipildi (WSI) töövoos
- Võimalus ära tunda värvimise ja skaneerimise varieeruvuse mõju mudeli jõudlusele ja domeeninihkele
- Võimalus kinnitada patoloogilise tehisintellekti väljundeid võrdlusstandardi, proovide võtmise ja patoloogi heakskiiduga
Patoloogia on meditsiini haru, kus haigus tuvastatakse koeproovi mikroskoobi all uurides; Siin tehakse paljude vähidiagnooside "kuldstandard". Digipatoloogia on slaidil peitsitud koelõigu digitaliseerimine kõrge eraldusvõimega skanneriga. Saadud faili nimetatakse terveks slaidipildiks (lühidalt WSI); Üks slaid võib olla gigapiksline, st miljardite pikslite suurune pilt. Tehisintellekt toetab nendel tohututel piltidel rakkude loendamist, piirkondade segmenteerimist ja liigitamist. Selles üksuses näeme WSI töövoogu, selle suurimat tehnilist lõksu: värvimise/skaneerimise varieeruvust ja seda, miks on patoloogi heakskiit hädavajalik.
Nendime algusest peale: tehisintellekt võib olla patoloogias loendur, eelskanner ja teine silm; Kuid vähi diagnoosimise, staadiumi määramise ja liigitamise otsused kuuluvad patoloogile. Mudel ei pane diagnoosi.
WSI töövoo etapid
1. etapp – sõelumine ja kvaliteedikontroll. Slaidi skaneeritakse; Defektid, nagu defookus, voltimisjäljed ja õhumullid, saab tuvastada automaatselt. Halva kvaliteediga skaneeringud ei tohiks üldse mudelisse siseneda.
2. samm – plaatide (plaastri) eemaldamine. Gigapiksline pilti ei saa otse töödelda; on jagatud väikesteks ruutudeks (inglise plaaster, tavaliselt 256x256 või 512x512 pikslit). Mudel hindab iga plaati eraldi, seejärel kombineeritakse tulemused.
3. etapp – kudede/rakkude analüüs. mudel; See teostab selliseid ülesandeid nagu kasvaja asukoha segmenteerimine, mitoosi (jagunevate rakkude) loendamine, tuuma tihedus või markeri (nt Ki-67 värvimiskiiruse) arvutamine. Väljundiks on numbriline mõõtmine või soojuskaart.
4. etapp – konsolideerimine ja aruandlus. Paanide tulemused kombineeritakse slaidi tasemel; Koostatakse kokkuvõte, näiteks "kasvaja pindala protsent" või "mitootiline arv".
5. samm – patoloogi hindamine. Patoloog uurib mudeliga märgitud piirkondi ja loeb; aktsepteerib, parandab või lükkab tagasi. Diagnoosimine ja hindamine on patoloogi otsustada.
Suurim lõks: värvimise ja skaneerimise varieeruvus
Koelõike värvitakse tavaliselt H&E-ga (hematoksüliin ja eosiin; standardvärv, mis värvib tuumad sinakasvioletseks ja tsütoplasma roosaks). Kuid värvimise intensiivsus varieerub märkimisväärselt olenevalt laborist, plekipartiist, sektsiooni paksusest ja skanneri kaubamärgist. Inimsilm kohaneb kergesti nende erinevustega; Mudel ei pruugi olla ühilduv.
Kui mudel on õppinud labori A roosakaslillade toonide põhjal, väheneb selle jõudlus labori B heledama või tumedama värvumise korral. Seda nähtust nimetatakse domeeninihkeks ja see on digitaalse patoloogia kõige levinum ebaõnnestumise põhjus. Lahendusviisid: värvide normaliseerimine (piltide teisaldamine ühisesse värviruumi), mitmekeskuselised koolitusandmed ja – mis kõige tähtsam – väline valideerimine igas kasutatavas laboris.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – mitootilise arvu järjepidevus. Mitootiline loendamine rinnavähi hindamisel on oluline, kuid töömahukas ja vaatlejati erinev. Tehisintellekti abiga esialgne loendamine ühes laboris, kahe patoloogi vaheline kokkulepe (kappa) suurenes 0,55-lt 0,71-le ja loendusaeg slaidi kohta vähenes 4 minutilt 1,5 minutile. Patoloog kinnitas aga iga lõpliku loenduse; Mudel soovitas, otsustas patoloog.
Juhtum 2 – välja nihutus tabas. Kasvaja segmenteerimise mudelit välja töötanud laboris töötas see õigesti 93% ajast. Sama mudel hindas partnerlaboris kasvaja pindala süstemaatiliselt 20% võrra üle, kasutades erinevat skannerit ja värvainet. Pärast värvide normaliseerimist ja uuesti valideerimist 200 slaidiga sellest laborist vähenes erinevus vastuvõetava tasemeni.
3. juhtum – valimi võtmise eksitus. Üks mudel ütles slaidil kasvaja "ei"; mudel hindas siiski ainult skaneeritud piirkonda ja kasvaja oli proovideta lõigus. Patoloogia diagnoosimine on sama hea kui slaidi valik ja proovide võtmine; AI "negatiivne" väljund ei kompenseeri aladiskreetimist. Seetõttu ei tähenda üksi negatiivne AI tulemus kunagi seda, et haigust pole.
Nõrk viip / Tugev viip
Märkus. Järgmised juhised on mõeldud patoloogia aruande ja töövoo teksti konfigureerimiseks; Kudede kujutise diagnostika on kontrollitud tarkvara ja patoloogide töö.
Nõrk viip:
Kas selle patoloogiaaruande kohaselt on vähk? [aruanne]
Võimas viip:
Teie roll: olete patoloogiaaruande struktureerimise assistent (TE EI OLE DIAGNOOSIK). Struktureerige järgmine anonüümne patoloogiaaruanne:- Tabelistage proovi tüüp, värvumine, kasvaja tüüp/aste, kirurgiline veeris, markerid.- Jätke mitmetähenduslik sõnastus ("ebatüüpiline, soovitatav kliiniline korrelatsioon") puutumata. - Lisage mitte mingeid leide, mida tekstis ei ole; kirjutage puuduvale väljale "määratlemata".- Lõpuks loetlege 3 punkti, mida patoloog peaks kinnitama.Anonüümne teade:[tekst]
Neli kopeeritavat malli
1) Teatage standardimisest:
Joonistage järgmine anonüümne patoloogiaaruanne struktureeritud väljadele (organ, diagnoos, hinne, marginaal, markerite protsendid). Jää teksti juurde. Aruanne: [tekst]
2) Märgi järjepidevuse kontroll:
Loetlege kõik selles aruandes mainitud protsentuaalsed ja numbrilised markerid (Ki-67, ER, PR, HER2); Märkige väärtused, mis on omavahel või diagnoosiga vastuolus. Aruanne: [tekst]
3) Mudeli valideerimise plaan (digitaalne patoloogia):
Kirjutage WSI segmenteerimismudeli valideerimisplaani kavand: värvide normaliseerimine, mitmekeskuseline väline valideerimine, patoloogi kokkulepe (kappa), väli nihke testimine. Märgi patoloogi valideerimispunktid eraldi.
4) Proovivõtuhoiatuse lisamine:
Lisage järgmisele negatiivsele AI tulemusele hoiatus, et "proovide võtmine võib olla piiratud, negatiivne tulemus ei välista haigust" ja patoloogi kinnituse nõue. Väljund: [tekst]
Modelli roll: ülesande tüübi järgi
Ülesande tüüp
AI panus
kriitilisus
kontrollimine
Kasvaja piirkonna segmenteerimine
kõrge
kõrge
Patoloog + väline kontroll
Mitoos/rakkude arv
kõrge
kõrge
Patoloogi kinnitus
Markeri protsent (Ki-67)
kõrge
keskmine
Viidete võrdlus
Kvaliteedikontroll (fookus/defekt)
kõrge
madal
kohapealne kontroll
Aruande seadistus (tekst)
kõrge
madal
Patoloogi kinnitus
Näpunäide. Digipatoloogia mudeli ettepanekut hinnates küsige alati: "Milliste laborite plekkide ja skannerite jaoks on see mudel koolitatud ja kas see on minu laboris valideeritud?" Kui vastus on "ei", ei kehti tulemusnäitajad veel teie kohta.
Ettevaatust. See, et AI ütleb "kasvajat pole", ei tähenda, et proovi võtmata koes pole kasvajat. Patoloogia negatiivset tulemust piirab proovide võtmise kvaliteet; muster ei tohi seda piiri ületada ja negatiivne tulemus ei ole diagnostiline tagatis.
Levinud vead
- Värvi/värvi varieeruvuse alahindamine. Välja triiv on digitaalse patoloogia kõige levinum rikke põhjus.
- Treenige ühes keskuses ja kasutage kõikjal. Erinevad brauserid ja värvid põhjustavad vaikse jõudluse halvenemise.
- Negatiivse tulemuse eksimine kindlustunde saamiseks. Proovivõtupiirangut ei saa mudel kompenseerida.
- Vaatlejatevahelise varieeruvuse ignoreerimine. Mudelit tuleks vastavalt hinnata, kui võrdlusstandard ise on muutuv.
- Patoloogi kõrvaldamine. Loendamine ja segmenteerimine on toeks; Diagnoosimine ja hindamine puhkab patoloogiga.
Kokkuvõttes
- Digipatoloogia analüüsib gigapikslite WSI kujutisi, jagades need plaatideks; AI toetab rakkude loendamist ja segmenteerimist.
- Suurim tehniline lõks on värvimise/skaneerimise varieeruvuse tõttu tekkiv põllu triiv; värvide normaliseerimine ja väline valideerimine on olulised.
- Negatiivne AI tulemus on piiratud proovivõtupiiranguga ja see ei anna diagnostilist kindlust.
- Mudeli hindamise kontekstiks on võrdlusstandard ja vaatlejatevaheline varieeruvus.
- Diagnoosimise, lavastamise ja klassifikatsiooni määramise eest vastutab patoloog; AI ei diagnoosi.
Rakenduse ülesanne
Valige hüpoteetiline digitaalse patoloogia mudel (nt Ki-67 protsendi arvutamine). Kirjutage selle mudeli jaoks väline valideerimisplaan: mitu slaidi millistest laboritest, milline värvide normaliseerimine, kuidas mõõdate patoloogi kokkulepet ja kuidas testite põllu triivi. Seejärel kirjuta ühe lausega piiranguhoiatus, mis tuleks lisada mudeli negatiivsele/positiivsele väljundile.
kontrollnimekiri
- [ ] Ma tean WSI töövoo skaneerimise, plaatimise, analüüsi ja koostamise etappe.
- [ ] Saan aru, kuidas värvimise/skannimise varieeruvus põhjustab välja triivi ja kuidas seda hallatakse.
- [ ] Saan aru, et AI negatiivset tulemust piirab diskreetimislimiit.
- [ ] Oskan kasutada välise valideerimise ja patoloogi kokkuleppe (kappa) mõisteid.
- [ ] Olen sisendanud, et diagnoos ja hinde määramise otsus jääb patoloogi teha.