Voitot:
- Kyky selittää tekoälyn tuki solujen laskennalle, segmentoinnille ja luokittelulle koko diakuvan (WSI) työnkulussa
- Kyky tunnistaa maalaamisen ja skannauksen vaihtelun vaikutus mallin suorituskykyyn ja toimialueen siirtoon
- Kyky validoida patologiset tekoälytulosteet viitestandardilla, näytteenotolla ja patologin hyväksynnällä
Patologia on lääketieteen ala, jossa sairaus tunnistetaan tutkimalla kudosnäytettä mikroskoopilla; Täällä tehdään monien syöpädiagnoosien "kultastandardi". Digipatologia on lasilevyllä olevan värjätyn kudosleikkeen digitalisointia korkearesoluutioisella skannerilla. Tuloksena olevaa tiedostoa kutsutaan kokonaiseksi diakuvaksi (lyhennettynä WSI); Yksittäinen dia voi olla jättimäinen gigapikselin kokoinen kuva, toisin sanoen miljardeja pikseleitä. Tekoäly tukee solujen laskemista, alueen segmentointia ja luokittelua näissä valtavissa kuvissa. Tässä osiossa näemme WSI-työnkulun, sen suurimman teknisen sudenkuopan: värjäys-/skannausvaihtelut ja miksi patologin hyväksyntä on välttämätöntä.
Todetaan alusta alkaen: tekoäly voi olla laskuri, esiskanneri ja toinen silmä patologiassa; Mutta syövän diagnoosi-, vaihe- ja luokittelupäätökset kuuluvat patologille. Malli ei tee diagnoosia.
WSI-työnkulun vaiheet
Vaihe 1 – Seulonta ja laadunvalvonta. Dia skannataan; Viat, kuten epätarkennus, taittojäljet ja ilmakuplat, voidaan havaita automaattisesti. Huonolaatuisten skannausten ei pitäisi tulla malliin ollenkaan.
Vaihe 2 – Laattojen (paikan) poisto. Gigapikselin kuvaa ei voi käsitellä suoraan; on jaettu pieniin neliöihin (englanniksi patch, tyypillisesti 256x256 tai 512x512 pikseliä). Malli arvioi jokaisen laatan erikseen, minkä jälkeen tulokset yhdistetään.
Vaihe 3 – kudos/soluanalyysi. Malli; Se suorittaa tehtäviä, kuten kasvainkohdan segmentointia, mitoosin (jakavien solujen) laskentaa, tumatiheyttä tai markkerin laskemista (esim. Ki-67-värjäytymisnopeus). Tulos on numeerinen mittaus tai lämpökartta.
Vaihe 4 – Konsolidointi ja raportointi. Laattojen tulokset yhdistetään diatasolla; Tuotetaan yhteenveto, esimerkiksi "kasvainalueen prosenttiosuus" tai "mitoottinen määrä".
Vaihe 5 – Patologin arviointi. Patologi tutkii mallilla merkityt alueet ja laskee; hyväksyy, korjaa tai hylkää. Diagnoosi ja luokittelu on patologin tehtävä.
Suurin sudenkuoppa: värjäyksen ja skannauksen vaihtelu
Kudosleikkeet värjätään yleensä H&E:llä (hematoksyliini ja eosiini; standardiväri, joka värjää ytimet siniviolettiksi ja sytoplasman vaaleanpunaiseksi). Mutta värjäytymisen voimakkuus vaihtelee huomattavasti laboratorion, tahraerän, osan paksuuden ja skannerin merkin mukaan. Ihmissilmä mukautuu helposti näihin eroihin; Malli ei ehkä ole yhteensopiva.
Jos malli on oppinut laboratorion A vaaleanpunaisen-violettien sävyjen perusteella, sen suorituskyky heikkenee laboratorion B vaaleammassa tai tummemmassa värjäytyksessä. Tätä ilmiötä kutsutaan domain-siirtymäksi ja se on digitaalipatologian yleisin epäonnistumisen syy. Ratkaisulähestymistavat: värien normalisointi (kuvien siirtäminen yhteiseen väriavaruuteen), monikeskusharjoitustiedot ja – mikä tärkeintä – ulkoinen validointi kussakin käytettävässä laboratoriossa.
Kolme minikoteloa: Numeroiden mukaan
Tapaus 1 – Mitoottisen määrän johdonmukaisuus. Mitoottinen laskenta rintasyövän luokittelussa on tärkeää, mutta työlästä ja vaihtelevaa tarkkailijasta toiseen. Tekoälyavusteinen alustava laskenta yhdessä laboratoriossa, kahden patologin välinen sopimus (kappa) kasvoi 0,55:stä 0,71:een ja laskenta-aika diaa kohden lyheni 4 minuutista 1,5 minuuttiin. Patologi vahvisti kuitenkin jokaisen lopullisen laskelman; Malli ehdotti, patologi päätti.
Tapaus 2 — Kentän siirto osuma. Laboratoriossa, joka kehitti kasvaimen segmentointimallin, se toimi oikein 93 % ajasta. Sama malli yliarvioi tuumorin alueen systemaattisesti 20 % kumppanilaboratoriossa käyttämällä erilaista skanneria ja väriainetta. Värin normalisoinnin ja uudelleenvalidoinnin jälkeen 200 objektilla kyseisestä laboratoriosta ero pieneni hyväksyttävälle tasolle.
Tapaus 3 – Virheellinen otanta. Yksi malli sanoi "ei" kasvain diassa; malli arvioi kuitenkin vain skannatun alueen ja kasvain oli näytteettömässä osassa. Patologian diagnoosi on yhtä hyvä kuin objektilasien valinta ja näytteenotto; AI "negatiivinen" lähtö ei kompensoi alinäytteenottoa. Siksi negatiivinen tekoälytulos ei yksinään tarkoita "ei sairautta".
Heikko kehote / Vahva kehote
Huomautus: Seuraavat kehotteet ovat patologiaraportin ja työnkulun tekstin määrittämistä varten. Kudoskuvadiagnoosi on todennettujen ohjelmistojen ja patologien työtä.
Heikko kehote:
Onko tämän patologian raportin mukaan olemassa syöpää? [raportti]
Tehokas kehotus:
Roolisi: Olet patologiaraportin strukturointiassistentti (ET OLE DIAGNOOSIA). Jäsennä seuraava anonyymi patologiaraportti: - Esitä taulukossa näytteen tyyppi, värjäys, kasvaimen tyyppi/aste, leikkausmarginaali, markkerit. - Säilytä epäselvä sanamuoto ("epätyypillinen, kliininen korrelaatio suositeltava") ennallaan. - Älä lisää havaintoja, joita ei ole tekstissä; kirjoita puuttuvaan kenttään "määrittämätön". - Listaa lopuksi 3 kohtaa, jotka patologin tulee vahvistaa. Nimetön raportti:[teksti]
Neljä kopioitavaa mallia
1) Raportin standardointi:
Piirrä seuraava anonyymi patologiaraportti strukturoituihin kenttiin (elin, diagnoosi, arvosana, marginaali, merkkien prosenttiosuudet). Pidä kiinni tekstistä. Raportti: [teksti]
2) Tokenin johdonmukaisuuden tarkistus:
Luettele kaikki tässä raportissa mainitut prosentti- ja numeeriset merkit (Ki-67, ER, PR, HER2); Merkitse arvot, jotka ovat ristiriidassa keskenään tai diagnoosin kanssa. Raportti: [teksti]
3) Mallin validointisuunnitelma (digitaalinen patologia):
Kirjoita WSI-segmentointimallin validointisuunnitelmaluonnos: värien normalisointi, ulkoinen monikeskusvalidointi, patologisopimus (kappa), kenttäsiirtotestaus. Merkitse patologin validointipisteet erikseen.
4) Näytteenottovaroituksen lisääminen:
Lisää seuraavaan negatiiviseen tekoälytulokseen varoitus, että "näytteenotto saattaa olla rajoitettua, negatiivinen tulos ei sulje pois sairautta" ja patologin vahvistusvaatimus. Tulostus: [teksti]
Mallin rooli: Tehtävätyypin mukaan
Tehtävän tyyppi
AI panos
kriittisyys
vahvistusta
Kasvainalueen segmentointi
korkea
korkea
Patologi + ulkoinen tarkastus
Mitoosi/solumäärä
korkea
korkea
Patologin vahvistus
Merkin prosenttiosuus (Ki-67)
korkea
keskikokoinen
Viitevertailu
Laadunvalvonta (tarkennus/vika)
korkea
alhainen
paikalla tarkastus
Raportin määritykset (teksti)
korkea
alhainen
Patologin vahvistus
Vinkki: Kun arvioit malliehdotusta digitaalisessa patologiassa, kysy aina: "Minkä laboratorion tahroille ja skannereille tämä malli on koulutettu ja onko se validoitu laboratoriossani?" Jos vastaus on "ei", suorituskykyluvut eivät vielä koske sinua.
Varoitus: Se, että tekoäly sanoo "ei kasvainta", ei tarkoita, ettei näytteitä ottamassa kudoksessa olisi kasvainta. Negatiivista tulosta patologiassa rajoittaa näytteenoton laatu; kuvio ei voi ylittää tätä rajaa, ja negatiivinen tulos ei ole diagnostinen varmuus.
Yleisiä virheitä
- Värin/värin vaihtelun aliarvioiminen. Kentän ajautuminen on digitaalipatologian yleisin epäonnistumisen syy.
- Harjoittele yhdessä keskustassa ja käytä kaikkialla. Erilainen selain ja väritys aiheuttavat äänettömän suorituskyvyn heikkenemisen.
- Negatiivinen tulos erehtyy varmuuden vuoksi. Malli ei voi kompensoida näytteenottorajaa.
- Observerien välisen vaihtelun huomioiminen. Mallia tulisi arvioida vastaavasti, jos vertailustandardi itsessään on muuttuva.
- Patologin poistaminen. Laskenta ja segmentointi ovat tukea; Diagnoosi ja arviointi lepää patologin kanssa.
Yhteenvetona
- Digitaalinen patologia analysoi gigapikselin WSI-kuvia jakamalla ne ruutuihin; AI tukee solujen laskemista ja segmentointia.
- Suurin tekninen loukku on värjäys-/skannausvaihteluista johtuva pellon ajautuminen; värien normalisointi ja ulkoinen validointi ovat tärkeitä.
- Negatiivista tekoälytulosta rajoittaa näytteenottoraja, eikä se tarjoa diagnostista varmuutta.
- Viitestandardi ja palvelinten välinen vaihtelu ovat mallin arvioinnin konteksti.
- Diagnoosi, vaiheistus ja luokittelu ovat patologin vastuulla. AI ei tee diagnoosia.
Sovellustehtävä
Valitse hypoteettinen digitaalisen patologian malli (esim. Ki-67 prosentin laskenta). Kirjoita tälle mallille ulkoinen validointisuunnitelma: kuinka monta diaa mistä laboratoriosta, mikä värin normalisointi, miten mittaat patologin yksimielisyyttä ja miten testaat kentän ajautumista. Kirjoita sitten yhdellä lauseella rajoitusvaroitus, joka tulisi lisätä mallin negatiiviseen/positiiviseen lähtöön.
tarkistuslista
- [ ] Tunnen WSI-työnkulun skannauksen, laatoituksen, analyysin ja kokoamisen vaiheet.
- [ ] Ymmärrän, kuinka maalin/skannauksen vaihtelu aiheuttaa kentän ajautumista ja kuinka sitä hallitaan.
- [ ] Ymmärrän, että negatiivista tekoälytulosta rajoittaa näytteenottoraja.
- [ ] Osaan käyttää ulkoisen validoinnin ja patologin sopimuksen (kappa) käsitteitä.
- [ ] Olen sisäistänyt, että diagnoosi ja luokittelupäätös jää patologille.