سود:
- امکان توضیح پشتیبانی هوش مصنوعی برای شمارش سلول، تقسیم بندی و درجه بندی در گردش کار یک تصویر کامل اسلاید (WSI)
- توانایی تشخیص تأثیر تغییرپذیری نقاشی و اسکن بر عملکرد مدل و تغییر دامنه
- امکان اعتبارسنجی خروجی های هوش مصنوعی آسیب شناسی با استاندارد مرجع، نمونه برداری و تایید پاتولوژیست
آسیب شناسی شاخه ای از پزشکی است که در آن بیماری با بررسی نمونه بافت زیر میکروسکوپ شناسایی می شود. «استاندارد طلایی» بسیاری از تشخیصهای سرطان در اینجا ایجاد میشود. آسیب شناسی دیجیتال دیجیتالی کردن یک بخش بافت رنگ آمیزی شده روی یک اسلاید شیشه ای با یک اسکنر با وضوح بالا است. فایل به دست آمده یک تصویر اسلاید کامل (به اختصار WSI) نامیده می شود. یک اسلاید می تواند یک تصویر غول پیکر با اندازه گیگاپیکسل، یعنی میلیاردها پیکسل باشد. هوش مصنوعی از شمارش سلول ها، تقسیم بندی ناحیه و درجه بندی در این تصاویر عظیم پشتیبانی می کند. در این واحد، گردش کار WSI را خواهیم دید، بزرگترین دام فنی آن: تنوع رنگآمیزی/اسکن، و اینکه چرا تایید پاتولوژیست ضروری است.
بیایید از ابتدا بیان کنیم: هوش مصنوعی می تواند یک شمارنده، یک اسکنر اولیه و یک چشم دوم در آسیب شناسی باشد. اما تشخیص سرطان، مرحله بندی و تصمیم گیری درجه بندی متعلق به پاتولوژیست است. مدل تشخیص نمی دهد.
مراحل گردش کار WSI
مرحله 1 - غربالگری و کنترل کیفیت. اسلاید شیشه ای اسکن شده است. عیوب مانند فوکوس، علائم چین خوردگی و حباب های هوا را می توان به طور خودکار تشخیص داد. اسکن های بی کیفیت اصلا نباید وارد مدل شوند.
مرحله 2 - حذف کاشی (پچ). تصویر گیگاپیکسلی را نمی توان مستقیماً پردازش کرد. به مربع های کوچک تقسیم می شود (پچ انگلیسی، معمولاً 256x256 یا 512x512 پیکسل). مدل هر کاشی را به طور جداگانه ارزیابی می کند، سپس نتایج با هم ترکیب می شوند.
مرحله 3 - تجزیه و تحلیل بافت/سلول. مدل; وظایفی مانند تقسیمبندی محل تومور، شمارش میتوز (تقسیم سلول)، چگالی هستهای یا محاسبه نشانگر (مثلاً میزان رنگآمیزی Ki-67) را انجام میدهد. خروجی یک اندازه گیری عددی یا یک نقشه حرارتی است.
مرحله 4 - تلفیق و گزارش. نتایج کاشی در سطح اسلاید ترکیب می شوند. خلاصه ای تولید می شود، به عنوان مثال، "درصد ناحیه تومور" یا "تعداد میتوتیک".
مرحله 5 - ارزیابی پاتولوژیست. پاتولوژیست نواحی مشخص شده توسط مدل را بررسی می کند. می پذیرد، تصحیح می کند یا رد می کند. تشخیص و درجه بندی به عهده پاتولوژیست است.
بزرگترین دام: تنوع رنگرزی و اسکن
بخشهای بافت معمولاً با H&E (هماتوکسیلین و ائوزین؛ رنگ استانداردی که هستهها را به رنگ آبی مایل به بنفش و سیتوپلاسم را صورتی رنگ میکند) رنگآمیزی میشود. اما شدت رنگآمیزی بسته به آزمایشگاه، دسته لکه، ضخامت بخش و مارک اسکنر بهطور مشخصی متفاوت است. چشم انسان به راحتی با این تفاوت ها سازگار می شود. ممکن است مدل سازگار نباشد.
اگر مدلی بر اساس رنگهای صورتی-بنفش آزمایشگاه A یاد گرفته باشد، عملکرد آن در رنگآمیزی کمتر یا تیرهتر آزمایشگاه B کاهش مییابد. این پدیده تغییر دامنه نامیده میشود و شایعترین علت شکست در آسیبشناسی دیجیتال است. رویکردهای راه حل: عادی سازی رنگ (انتقال تصاویر به یک فضای رنگی مشترک)، داده های آموزشی چند مرکزی، و مهمتر از همه - اعتبارسنجی خارجی در هر آزمایشگاهی که باید استفاده شود.
سه مورد کوچک: با اعداد
مورد 1 - سازگاری در تعداد میتوز. شمارش میتوز در درجه بندی سرطان پستان مهم است، اما پر زحمت و از ناظری به ناظر دیگر متغیر است. شمارش اولیه با کمک هوش مصنوعی در یک آزمایشگاه، توافق (کاپا) بین دو پاتولوژیست از 0.55 به 0.71 افزایش یافت و زمان شمارش در هر اسلاید از 4 دقیقه به 1.5 دقیقه کاهش یافت. با این حال، هر شمارش نهایی توسط پاتولوژیست تایید شد. مدل پیشنهاد کرد، آسیب شناس تصمیم گرفت.
مورد 2 - ضربه شیفت میدان. در آزمایشگاهی که مدل تقسیمبندی تومور را توسعه داد، 93 درصد مواقع به درستی کار میکرد. همان مدل به طور سیستماتیک ناحیه تومور را در آزمایشگاه شریک با استفاده از اسکنر و رنگ متفاوت 20 درصد بیش از حد تخمین زد. پس از نرمال سازی رنگ و اعتبارسنجی مجدد با 200 اسلاید از آن آزمایشگاه، این اختلاف به حد قابل قبولی کاهش یافت.
مورد 3 - اشتباه نمونه گیری. یکی از مدل ها تومور "نه" را روی یک اسلاید گفت. با این حال، مدل تنها ناحیه اسکن شده را ارزیابی کرد و تومور در یک بخش نمونه برداری نشده بود. تشخیص آسیب شناسی به خوبی انتخاب اسلاید و نمونه برداری است. خروجی "منفی" هوش مصنوعی کم نمونه گیری را جبران نمی کند. به همین دلیل است که یک نتیجه منفی هوش مصنوعی هرگز به معنای "بدون بیماری" نیست.
اعلان ضعیف / اعلان قوی
توجه: دستورات زیر برای پیکربندی گزارش آسیب شناسی و متن گردش کار هستند. تشخیص تصویر بافتی کار نرم افزارهای تایید شده و آسیب شناسان است.
اعلان ضعیف:
طبق این گزارش آسیب شناسی آیا سرطان وجود دارد؟ [گزارش]
اعلان قدرتمند:
نقش شما: شما دستیار ساختار گزارش آسیب شناسی هستید (شما تشخیصی نیستید). گزارش پاتولوژی ناشناس زیر را ساختار دهید: - نوع نمونه، رنگآمیزی، نوع/درجه تومور، حاشیه جراحی، نشانگرها را جدولبندی کنید. - عبارت مبهم ("همبستگی غیر معمول، توصیه میشود بالینی") را دست نخورده نگه دارید. - هیچ یافتهای که در متن نیست اضافه کنید. در فیلد گم شده «نامشخص» بنویسید.- در نهایت 3 نکته را که پاتولوژیست باید تأیید کند فهرست کنید. گزارش ناشناس:[text]
چهار قالب قابل کپی
1) استانداردسازی گزارش:
گزارش آسیب شناسی ناشناس زیر را در زمینه های ساختاریافته (ارگان، تشخیص، درجه، حاشیه، درصد نشانگر) ترسیم کنید. به متن پایبند باشید. گزارش: [متن]
2) بررسی سازگاری نشانه:
تمام نشانگرهای درصد و عددی (Ki-67، ER، PR، HER2) ذکر شده در این گزارش را فهرست کنید. مقادیری را که با یکدیگر یا با تشخیص تضاد دارند علامت گذاری کنید. گزارش: [متن]
3) طرح اعتبارسنجی مدل (آسیب شناسی دیجیتال):
یک طرح اعتبار سنجی پیش نویس برای مدل تقسیم بندی WSI بنویسید: عادی سازی رنگ، اعتبارسنجی خارجی چند مرکزی، توافق پاتولوژیست (کاپا)، آزمایش تغییر میدان. نقاط اعتبار سنجی پاتولوژیست را جداگانه علامت گذاری کنید.
4) اضافه کردن هشدار نمونه برداری:
به نتیجه منفی هوش مصنوعی زیر این هشدار را اضافه کنید که "نمونه گیری ممکن است محدود باشد، نتیجه منفی بیماری را رد نمی کند" و نیاز به تایید پاتولوژیست. خروجی: [متن]
نقش مدل: بر اساس نوع وظیفه
نوع وظیفه
سهم هوش مصنوعی
انتقادی بودن
راستی آزمایی
تقسیم بندی ناحیه تومور
بالا
بالا
پاتولوژیست + تایید خارجی
میتوز/تعداد سلول
بالا
بالا
تایید پاتولوژیست
درصد نشانگر (Ki-67)
بالا
متوسط
مقایسه مرجع
کنترل کیفیت (تمرکز / نقص)
بالا
پایین
چک نقطه ای
پیکربندی گزارش (متن)
بالا
پایین
تایید پاتولوژیست
نکته: هنگام ارزیابی یک پروپوزال مدل در آسیب شناسی دیجیتال، همیشه بپرسید: "این مدل روی لکه ها و اسکنرهای کدام آزمایشگاه ها آموزش دیده است و آیا در آزمایشگاه من تایید شده است؟" اگر پاسخ "نه" است، ارقام عملکرد هنوز برای شما صدق نمی کند.
احتیاط: فقط به این دلیل که هوش مصنوعی می گوید "بدون تومور" به این معنی نیست که توموری در بافت نمونه برداری نشده وجود ندارد. نتیجه منفی در آسیب شناسی با کیفیت نمونه برداری محدود می شود. الگو نمی تواند از این حد تجاوز کند و یک نتیجه منفی اطمینان تشخیصی نیست.
اشتباهات رایج
- دست کم گرفتن تنوع رنگ/رنگ. رانش میدان شایع ترین علت شکست در آسیب شناسی دیجیتال است.
- در یک مرکز آموزش دهید و از همه جا استفاده کنید. مرورگر و رنگبندی مختلف باعث کاهش عملکرد بیصدا میشود.
- اشتباه گرفتن نتیجه منفی با اطمینان حد نمونه گیری توسط مدل قابل جبران نیست.
- نادیده گرفتن تغییرپذیری بین ناظران اگر خود استاندارد مرجع متغیر باشد، مدل باید بر این اساس ارزیابی شود.
- حذف پاتولوژیست شمارش و تقسیم بندی پشتیبانی هستند. تشخیص و درجه بندی با آسیب شناس است.
به طور خلاصه
- آسیب شناسی دیجیتال تصاویر گیگاپیکسلی WSI را با تقسیم آنها به کاشی تجزیه و تحلیل می کند. هوش مصنوعی با شمارش و تقسیم سلولی پشتیبانی می کند.
- بزرگترین تله فنی رانش میدانی به دلیل تنوع رنگآمیزی/اسکن است. عادی سازی رنگ و اعتبارسنجی خارجی ضروری است.
- یک نتیجه منفی هوش مصنوعی با محدودیت نمونهگیری محدود میشود و اطمینان تشخیصی را ارائه نمیکند.
- استاندارد مرجع و تنوع بین ناظر زمینه ارزیابی مدل هستند.
- تشخیص، مرحله بندی و درجه بندی بر عهده پاتولوژیست است. هوش مصنوعی تشخیص نمی دهد.
وظیفه کاربردی
یک مدل آسیب شناسی دیجیتال فرضی (مثلاً محاسبه درصد Ki-67) را انتخاب کنید. یک طرح اعتبارسنجی خارجی برای این مدل بنویسید: چند اسلاید از کدام آزمایشگاه، نرمالسازی چه رنگی، چگونه توافق پاتولوژیست را اندازهگیری میکنید، و چگونه رانش میدان را آزمایش میکنید. سپس در یک جمله اخطار محدودیت که باید به خروجی منفی/مثبت مدل اضافه شود را بنویسید.
چک لیست
- [ ] من مراحل اسکن، کاشی کاری، تجزیه و تحلیل و ترکیب گردش کار WSI را می دانم.
- [ ] من می دانم که چگونه تغییر رنگ/اسکن باعث رانش میدان می شود و چگونه مدیریت می شود.
- [ ] می دانم که نتیجه منفی هوش مصنوعی با محدودیت نمونه گیری محدود می شود.
- [ ] می توانم از مفاهیم اعتبار سنجی خارجی و توافق آسیب شناس (کاپا) استفاده کنم.
- [ ] من درونی کرده ام که تشخیص و تصمیم گیری درجه بندی با پاتولوژیست باقی می ماند.