سود:
- درک نحوه عملکرد پیش طبقهبندی تصویر با کمک هوش مصنوعی (اسمیر محیطی، رسوب ادرار، کلنی) و تسریع آن
- امکان استفاده از پیش طبقهبندی هوش مصنوعی تنها به عنوان غربالگری و واگذاری تشخیص سلولها/ میکروارگانیسمهای غیرطبیعی و حیاتی به تأیید متخصص.
- توانایی تشخیص محدودیتهای مدلهای تصویر (سلولهای کمیاب، مصنوعات، کیفیت رنگآمیزی، تغییر توزیع) و مدیریت خطر نگاتیو کاذب
میکروسکوپ قدیمی ترین اما همچنان قدرتمندترین ابزار آزمایشگاه پزشکی است. شکل سلولها در یک اسمیر خون، کریستالهای موجود در رسوب ادرار، رنگ و ترتیب باکتریها در رنگآمیزی گرم همه الگوهایی هستند که یک چشم آموزشدیده میتواند در چند ثانیه بخواند، اما برای شروع به سالها تجربه نیاز دارد. در سالهای اخیر، آنالیز تصویر به کمک هوش مصنوعی وارد این دنیای میکروسکوپی شده است: به طور خودکار آمادهسازیهای اسکن شده دیجیتالی را از قبل طبقهبندی میکند، مواردی را که طبیعی به نظر میرسند حذف میکند و توجه متخصص را به مناطقی که واقعاً نیاز به بررسی دارند، معطوف میکند. این یک افزایش سرعت بزرگ است - اما همچنین یکی از مناطقی است که باید دقیق ترین مرزها را ترسیم کرد، زیرا منفی کاذب (فقدان یک ناهنجاری واقعی) به معنای از دست دادن تشخیص مستقیم است.
نحوه عملکرد پیش طبقهبندی تصویر با پشتیبانی هوش مصنوعی در این واحد؛ اسمیر محیطی، رسوب ادرار و نحوه استفاده از آن در میکروبیولوژی؛ و ما مرزهای مدل (سلول کمیاب، مصنوع، کیفیت رنگآمیزی، تغییر توزیع) را پوشش خواهیم داد. اصل اساسی: پیش طبقه بندی هوش مصنوعی یک غربالگری است، نه یک تشخیص. تشخیص و تایید نهایی یافته های غیرطبیعی و بحرانی متعلق به متخصص می باشد.
نحوه کارکرد پیش طبقه بندی تصاویر
مدلهای تصویر هوش مصنوعی با آموزش بر روی تعداد زیادی نمونه برچسبگذاری شده، دستهبندی سلول یا ساختار را یاد میگیرند. در یک آنالایزر دیجیتال هماتولوژی، دستگاه اسمیر خون را اسکن میکند، سلولهای فردی را میگیرد و الگوی هر یک را در یک کلاس (نوتروفیل، لنفوسیت، مونوسیت، ائوزینوفیل، بازوفیل و غیره) قرار میدهد. متخصص با سلول های از پیش طبقه بندی شده به عنوان یک گالری ارائه می شود. کارشناس تایید، تصحیح یا طبقه بندی مجدد می کند. به طور مشابه، تجزیه کننده های رسوب ادرار، گلبول های قرمز، لکوسیت ها، اپیتلیوم، کریستال ها و قالب ها را تشخیص می دهند. برخی از سیستم های میکروبیولوژی تعداد کلنی ها و الگوهای رشد را از قبل ارزیابی می کنند.
خروجی مدل دارای دو جزء است: یک کلاس (این سلول نوتروفیل است) و یک امتیاز اطمینان (چقدر به این طبقه بندی اطمینان دارد). سلولهایی که امتیازات اطمینان پایینی دارند یا بهعنوان «غیر معمول/ناشناس» مشخص شدهاند، باید حتماً به متخصص ارجاع داده شوند. توجه داشته باشید که مدل ممکن است یک سلول را با اطمینان بالا به اشتباه طبقه بندی کند. امتیاز اطمینان تضمینی برای صحت نیست.
برنامه
هوش مصنوعی قبل از کار
کار کارشناسی
اسمیر محیطی
پیش مرتب سازی سلولی، سرویس دهی در گالری
تایید غیر طبیعی/بلست/آتیپیک، تفسیر مورفولوژی
رسوب ادرار
پیش شناخت و شمارش عناصر
تایید سلول های کریستال/ریخته گری/پاتولوژیک
میکروبیولوژی (کلنی)
تعداد کلنی، پیش ارزیابی رشد
تمایز نوع، اهمیت بالینی
مغز استخوان / آسیب شناسی
علامت گذاری فیلد/سلول
تفسیر تشخیصی، تایید پزشک
چرا این مدل یک "غربالگری" است، نه یک تشخیص
با ارزش ترین کمک مدل های تصویری این است که با گذراندن سریع الگوهای معمولی و رایج در وقت متخصص صرفه جویی می کنند. اما تکیه بر مدل تصمیم گیری تشخیصی به سه دلیل خطرناک است:
- یافته های نادر این مدل ممکن است یک سلول نادر (مانند یک انفجار، یک انگل، یک لنفوسیت غیر معمول) را که به ندرت در داده های آموزشی مشاهده می کند، تشخیص ندهد. بحرانی ترین یافته ها اغلب نادرترین یافته ها هستند. اینجاست که منفی کاذب خطرناک ترین است.
- مصنوع و نقاشی. کیفیت رنگآمیزی، ضخامت آمادهسازی، و مصنوعات خشک شدن ممکن است مدل را گمراه کند. در یک آماده سازی با رنگ آمیزی ضعیف، مدل می تواند با خیال راحت طبقه بندی اشتباهی داشته باشد.
- تغییر توزیع اگر مدل با دستگاه و پروتکل رنگ آمیزی یک آزمایشگاه آموزش داده شود، ممکن است عملکرد آن با دستگاه/رنگ آمیزی متفاوت کاهش یابد. اگر جمعیت شما با جمعیت آموزشی متفاوت باشد، مدل عملکرد ضعیفی از حد انتظار خواهد داشت.
احتیاط: "مدل گفت طبیعی است، من نگاه نکردم" رایج ترین راه برای از دست دادن منفی کاذب است. اگر یک سوء ظن بالینی غیرطبیعی وجود داشته باشد (مثلاً تشخیص اولیه سرطان خون)، بدون توجه به آنچه مدل می گوید، اسمیر توسط متخصص معاینه می شود.
گام به گام: جریان پیش ارزیابی تصویر امن
- کیفیت رنگآمیزی و آمادهسازی را بررسی کنید. آماده سازی ضعیف هم مدل و هم چشم را گمراه می کند. ابتدا کیفیت را تضمین کنید
- پیش طبقه بندی مدل را به عنوان گالری دریافت کنید. به سرعت کلاس های عادی و با امنیت بالا را مرور کنید.
- ابتدا مواردی را که با اعتماد به نفس پایین و "غیر معمول" مشخص شده اند بررسی کنید. اگر مدل نامشخص است، تصمیم با شماست.
- ظن بالینی را بالاتر از مدل نگه دارید. بررسی دستی کامل موردی را که در آن مورد انتظار وجود یک ناهنجاری است، انجام دهید.
- بررسی و گزارش یافته های مهم یافته هایی مانند بلاست ها، انگل ها و سلول های بدخیم توسط متخصص تایید می شود. در صورت لزوم با پزشک در میان گذاشته می شود.
توجه: علاوه بر استفاده از هوش مصنوعی به عنوان جزئی از دستگاه تصویربرداری در این واحد، محدودیتی نیز در هنگام کار با یک مدل زبان وجود دارد: آپلود تصاویر آماده سازی بیمار در یک ابزار زبانی در دسترس عموم، خطر حفظ حریم خصوصی است و تکیه بر یک ابزار نامعتبر برای تشخیص بالینی اشتباه است. تشخیص تصویر با استفاده از سیستم های بالینی معتبر و چشمان متخصص انجام می شود.
اعلان ضعیف / اعلان قوی
مقایسه زیر هنگام استفاده از هوش مصنوعی به عنوان پشتیبانی متنی اعمال می شود (مثلاً برای ویرایش یادداشت مورفولوژی یا تهیه توضیحات آموزشی). برای تصمیم گیری تصویر تشخیصی نیست.
اعلان ضعیف:
آنچه در این اسمیر خون وجود دارد را تشخیص دهید. [تصویر]
این اعلان از هوش مصنوعی تشخیص می خواهد. در حالی که ابزار زبان برای تشخیص بالینی معتبر نیست و تصویر بیمار از نظر حریم خصوصی خطرناک است. این یک استفاده اشتباه و خطرناک است.
اعلان قدرتمند:
نقش شما: دستیار تهیه متن آموزش/گزارش برای متخصص آزمایشگاه. تشخیص؛ تفسیر تصویر کار من است. در زیر مشاهدات مورفولوژیکی خود را می نویسم (ناشناس). اینها را به یک پیش نویس گزارش اسمیر تمیز تبدیل کنید و مشخص کنید کدام یافته نیاز به تایید متخصص دارد. مشاهدات من: غلبه نوتروفیل، جابجایی جزئی به چپ، چند لنفوسیت آتیپیک[تأیید کارشناس]، تصور گرانولاسیون سمی. به معنای تشخیص قطعی نباشید.
اراده قوی تشخیص را نزد متخصص نگه میدارد، از هوش مصنوعی فقط برای سازماندهی مشاهدات خود استفاده میکند و یافتههایی را که نیاز به تأیید دارد علامتگذاری میکند.
سه کیف کوچک
مورد 1 - حذف کارآمد. در یک آزمایشگاه هماتولوژی، یک آنالایزر دیجیتال 220 اسمیر خون را از قبل مرتب می کند. از این تعداد، 150 مورد دارای الگوهای کاملا طبیعی و نمرات اعتماد به نفس بالا هستند. کارشناس به سرعت آنها را از طریق گالری بررسی و تایید می کند. 70 اسمیر باقیمانده (با اطمینان کم یا علامت گذاری شده) تحت بررسی کامل دستی قرار می گیرند. نتیجه: زمان متخصص روی مواردی متمرکز می شود که در واقع نیاز به معاینه دارند، کل زمان به میزان قابل توجهی کاهش می یابد. مدل حذف شد، کارشناس بررسی کرد.
مورد 2 - فرار از انفجار. در یک مورد، مدل چند سلول را بهعنوان «لنفوسیتهای غیر معمول» با اطمینان کم علامتگذاری کرد، اما متخصص به سرعت تأیید کرد و به دلیل تراکم از گالری عبور کرد. بعداً وضعیت بالینی بیمار بدتر می شود. هنگامی که اسمیر دوباره بررسی می شود، مشاهده می شود که این سلول ها در واقع بلاست هستند. درس: سلولهایی که مدل آنها را بهعنوان «اعتماد پایین/غیر معمول» علامتگذاری میکند، هرگز به سرعت تأیید نمیشوند. مهم ترین یافته ممکن است در آنجا پنهان شود. منفی کاذب گران ترین اشتباه است.
مورد 3 - مصنوع رنگ آمیزی. در یک دستگاه آنالایزر رسوب ادرار، این الگو تعداد زیادی "کریستال" را در یک آماده سازی بد رنگ نشان می دهد. وقتی کارشناس آماده سازی را بررسی می کند، می بیند که اینها رسوبات (مصنوعات) رنگ آمیزی هستند. کریستال واقعی وجود ندارد. آماده سازی تمدید می شود. درس: مدل ممکن است مصنوع را با ساختار واقعی اشتباه بگیرد. کیفیت آماده سازی همیشه ابتدا بررسی می شود.
الگوهای درخواستی قابل کپی
الگوی پیش نویس گزارش مورفولوژی نقش شما: دستیار که مشاهدات ریخت شناسی نوشته شده توسط من (کارشناس) را به یک پیش نویس گزارش سازمان یافته ترجمه می کند. تشخیص نده مشاهدات خود را در زیر به زبان گزارش استاندارد انتشار بیان کنم. یافته های نامشخص/غیر معمولی را به عنوان "[تأیید کارشناس]" علامت گذاری کنید. به معنای تشخیص قطعی نیست. مشاهدات من: [متن].
الگوی قانون استثنای مدل تصویر به عنوان یک چک لیست برای سیستم پیش مرتب سازی تصویر بنویسید که کدام موارد باید به بازبینی کامل دستی بروند: امتیاز اطمینان پایین، برچسب "غیر معمول/ناشناس"، ناهنجاری بالینی مشکوک، کیفیت آماده سازی ضعیف، کاندیدای یافته های حیاتی. برای هر مورد توجیهی اضافه کنید.
الگوی کنترل کیفیت آماده سازی موارد با کیفیتی را که قبل از ارزیابی آماده سازی اسمیر/رسوب بررسی می کنم فهرست کنید: شدت لکه، پراکندگی/ضخامت، مصنوع، خشک شدن، آلودگی. برای هر مورد معیارهای «پذیرش/تجدید آماده سازی» را پیشنهاد کنید.
الگوی شرح آموزش نقش شما: دستیار تهیه متن آموزشی برای کارآموزان آزمایشگاه. این مفهوم صرفی را به سادگی و با دقت توضیح دهید: [مفهوم]. مثال بزنید، به تفاوت ساختارهای مشابه اشاره کنید، اما تاکید کنید که تصمیم تشخیص متعلق به متخصص است. آپلود تصویر؛ فقط با متن توضیح دهید
اشتباهات رایج
- اشتباه در طبقه بندی مدل برای تشخیص. پیش مرتب سازی حذف است. یافته غیرعادی/ بحرانی توسط متخصص تایید می شود.
- به سرعت پرچم های کم ایمن/غیر معمولی را تأیید کنید. حیاتی ترین یافته ها درست در آنجا هستند. اینها ابتدا و با دقت بررسی می شوند.
- نادیده گرفتن کیفیت آماده سازی. مدل نقاشی ضعیف و فریب چشم; کیفیت حرف اول را می زند.
- فراموش کردن تغییر توزیع یک مدل آموزش دیده با دستگاه/رنگ دیگر ممکن است روی نمونه های شما ضعیف عمل کند.
- بارگذاری تصویر بیمار در ابزار عمومی خطر نقض محرمانه بودن و تشخیص نامعتبر.
نکته: هنگام کار با مدل تصویر، اجازه دهید این قانون شما باشد: "مدل به طور معمول می تواند سرعت من را افزایش دهد، اما به طور غیرعادی هرگز به من آرامش نمی دهد." اگر شک بالینی وجود داشته باشد یا الگوی نامشخص باشد، تصمیم با متخصص میکروسکوپ است.
به طور خلاصه
پیش ارزیابی تصویر با کمک هوش مصنوعی، الگوهای طبیعی در اسمیر خون، رسوب ادرار و میکروبیولوژی را حذف می کند و زمان متخصص را برای تمرکز بر مواردی که واقعاً نیاز به بررسی دارند، آزاد می کند. اما این مدل یک ابزار غربالگری است نه یک تشخیص: میتواند یافتههای نادر را از دست بدهد، مصنوعات را واقعی اشتباه بگیرد و در جمعیتهای مختلف ضعیف شود. تشخیص و تایید نهایی یافته های غیرطبیعی و بحرانی متعلق به متخصص است. ابتدا نشانگرهای کم اعتماد و غیر معمول بررسی می شوند. کیفیت آماده سازی همیشه ابتدا بررسی می شود. از آنجا که منفی کاذب گرانترین خطا است، سوء ظن بالینی بر خروجی مدل غلبه می کند.
وظیفه کاربردی
با یک الگوی «قاعده استثنای مدل تصویر» برای یک سیستم پیش طبقهبندی تصویری که استفاده میکنید (یا یک مثال)، مواردی را فهرست کنید که قطعاً به بررسی کامل دستی میروند. سپس مجموعه ای از مشاهدات ریخت شناسی را با الگوی "پیش نویس گزارش مورفولوژی" به یک گزارش منظم تبدیل کنید و یافته هایی را که نیاز به تایید دارند علامت گذاری کنید. در نهایت، یک چک لیست کیفیت با الگوی "کنترل کیفیت آماده سازی" ایجاد کنید.
چک لیست
- [ ] من از خروجی مدل به عنوان حذف استفاده کردم، نه تشخیص.
- [ ] من مواردی را که با علامت کم ایمن/غیر معمول علامت گذاری شده بودند، ابتدا و با دقت بررسی کردم.
- [ ] من کیفیت آماده سازی را قبل از ارزیابی آن بررسی کردم.
- [ ] در صورت مشکوک بودن به ناهنجاری بالینی، یک معاینه دستی کامل انجام دادم.
- [ ] من تصاویر بیمار را در ابزارهای عمومی آپلود نکردم.
- [ ] من یافته های مهم را به صورت تخصصی تایید کردم و در صورت لزوم آنها را با پزشک در میان گذاشتم.