Gains :
- Capacité à expliquer la prise en charge de l'IA pour le comptage, la segmentation et l'étalonnage des cellules dans un flux de travail d'image de diapositive entière (WSI)
- Capacité à reconnaître l'effet de la variabilité de la peinture et de la numérisation sur les performances du modèle et le changement de domaine
- Capacité à valider les résultats de l'IA en pathologie avec l'étalon de référence, l'échantillonnage et l'approbation du pathologiste
La pathologie est la branche de la médecine dans laquelle la maladie est identifiée en examinant un échantillon de tissu au microscope ; La « référence » pour de nombreux diagnostics de cancer est établie ici. La pathologie numérique est la numérisation d'une coupe de tissu colorée sur une lame de verre avec un scanner haute résolution. Le fichier résultant est appelé une image de diapositive entière (WSI en abrégé) ; Une seule diapositive peut être une image géante de la taille d’un gigapixel, c’est-à-dire des milliards de pixels. L’intelligence artificielle prend en charge le comptage cellulaire, la segmentation des régions et le classement de ces images géantes. Dans cette unité, nous verrons le flux de travail WSI, son plus grand piège technique : la variabilité de la coloration/numérisation, et pourquoi l'approbation du pathologiste est essentielle.
Disons-le dès le début : l’intelligence artificielle peut être un compteur, un scanner préliminaire et un deuxième œil en pathologie ; Mais les décisions concernant le diagnostic du cancer, sa stadification et son classement appartiennent au pathologiste. Le modèle ne diagnostique pas.
Étapes du flux de travail WSI
Étape 1 — Criblage et contrôle qualité. La lame de verre est numérisée ; Les défauts tels que la floutation, les marques de pliure et les bulles d'air peuvent être détectés automatiquement. Les scans de mauvaise qualité ne doivent pas du tout entrer dans le modèle.
Étape 2 — Suppression des tuiles (patch). L'image gigapixel ne peut pas être traitée directement ; est divisé en petits carrés (patch anglais, généralement 256x256 ou 512x512 pixels). Le modèle évalue chaque tuile séparément, puis les résultats sont combinés.
Étape 3 — Analyse des tissus/cellules. Modèle; Il effectue des tâches telles que la segmentation du site tumoral, le comptage des mitoses (cellules en division), la densité nucléaire ou le calcul d'un marqueur (par exemple le taux de coloration Ki-67). Le résultat est une mesure numérique ou une carte thermique.
Étape 4 — Consolidation et reporting. Les résultats des vignettes sont combinés au niveau de la diapositive ; Un résumé est produit, par exemple « pourcentage de surface tumorale » ou « nombre de mitoses ».
Étape 5 — Évaluation pathologique. Le pathologiste examine les régions et décomptes marqués par le modèle ; accepte, corrige ou rejette. Le diagnostic et le classement appartiennent au pathologiste.
Le plus gros piège : la variabilité de la teinture et de la numérisation
Les coupes de tissus sont généralement colorées avec H&E (hématoxyline et éosine ; le colorant standard qui colore les noyaux en bleu-violet et le cytoplasme en rose). Mais l’intensité de la coloration varie considérablement selon le laboratoire, le lot de coloration, l’épaisseur de la coupe et la marque du scanner. L’œil humain s’adapte facilement à ces différences ; Le modèle peut ne pas être compatible.
Si un modèle a appris sur la base des tons rose-violet du laboratoire A, ses performances diminueront sur la coloration plus pâle ou plus foncée du laboratoire B. Ce phénomène est appelé changement de domaine et constitue la cause d'échec la plus fréquente en pathologie numérique. Approches de solution : normalisation des couleurs (déplacement d'images dans un espace colorimétrique commun), données de formation multicentriques et, surtout, validation externe dans chaque laboratoire à utiliser.
Trois mini-cases : en chiffres
Cas 1 — Cohérence du nombre de mitotiques. Le comptage mitotique dans le classement du cancer du sein est important mais laborieux et variable d'un observateur à l'autre. Comptage préliminaire assisté par IA dans un laboratoire, l'accord (kappa) entre deux pathologistes est passé de 0,55 à 0,71 et le temps de comptage par lame a diminué de 4 minutes à 1,5 minutes. Cependant, chaque décompte final a été confirmé par le pathologiste ; Le modèle suggéré, le pathologiste a décidé.
Cas 2 – Changement de champ réussi. Dans le laboratoire qui a développé un modèle de segmentation tumorale, celui-ci fonctionnait correctement 93 % du temps. Le même modèle a systématiquement surestimé la surface tumorale de 20 % dans le laboratoire partenaire en utilisant un scanner et un colorant différents. Après normalisation des couleurs et revalidation avec 200 lames provenant de ce laboratoire, la différence a diminué jusqu'à un niveau acceptable.
Cas 3 — Erreur d’échantillonnage. Un modèle a dit « non » de tumeur sur une lame ; cependant, le modèle évaluait uniquement la zone scannée et la tumeur se trouvait dans une section non échantillonnée. Le diagnostic pathologique est aussi bon que la sélection et l'échantillonnage des lames ; La sortie "négative" de l'IA ne compense pas le sous-échantillonnage. C’est pourquoi un résultat négatif à l’IA ne signifie jamais à lui seul « pas de maladie ».
Invite faible/Invite forte
Remarque : Les invites suivantes permettent de configurer le rapport de pathologie et le texte du flux de travail ; Le diagnostic par image tissulaire est le travail de logiciels et de pathologistes vérifiés.
Invite faible :
D'après ce rapport de pathologie, y a-t-il un cancer ? [rapport]
Invite puissante :
Votre rôle : Vous êtes l'assistant à la structuration du rapport de pathologie (VOUS N'ÊTES PAS DIAGNOSTIC). Structurez le rapport de pathologie anonyme suivant : - Indiquez le type d'échantillon, la coloration, le type/grade de tumeur, la marge chirurgicale, les marqueurs. - Conservez intacte la formulation ambiguë (« atypique, corrélation clinique recommandée »). - N'ajoutez aucun résultat qui ne figure pas dans le texte ; écrivez « non précisé » dans le champ manquant.- Enfin, énumérez 3 points que le pathologiste doit confirmer.Rapport anonyme :[texte]
Quatre modèles copiables
1) Normalisation du rapport :
Tracez le rapport de pathologie anonyme suivant dans des champs structurés (organe, diagnostic, grade, marge, pourcentages de marqueurs). Tenez-vous en au texte. Rapport : [texte]
2) Vérification de la cohérence des jetons :
Répertoriez tous les pourcentages et marqueurs numériques (Ki-67, ER, PR, HER2) mentionnés dans ce rapport ; Marquez les valeurs qui entrent en conflit entre elles ou avec le diagnostic. Rapport : [texte]
3) Plan de validation du modèle (pathologie numérique) :
Rédiger un projet de plan de validation pour un modèle de segmentation WSI : normalisation des couleurs, validation externe multicentrique, accord du pathologiste (kappa), tests de déplacement sur le terrain. Marquez les points de validation du pathologiste séparément.
4) Ajout d'un avertissement d'échantillonnage :
Ajoutez au résultat négatif suivant de l'IA la mise en garde selon laquelle « l'échantillonnage peut être limité, un résultat négatif n'exclut pas la maladie » et l'exigence d'une confirmation par un pathologiste. Résultat : [texte]
Rôle du modèle : par type de tâche
Type de tâche
Contribution de l'IA
criticité
vérification
Segmentation des régions tumorales
haut
haut
Pathologiste + vérification externe
Mitose/numération cellulaire
haut
haut
Confirmation du pathologiste
Pourcentage de marqueur (Ki-67)
haut
moyen
Comparaison de référence
Contrôle qualité (foyer/défaut)
haut
faible
vérification ponctuelle
Configuration du rapport (texte)
haut
faible
Confirmation du pathologiste
Astuce : lors de l'évaluation d'une proposition de modèle en pathologie numérique, demandez toujours : « Sur quels laboratoires de colorations et de scanners ce modèle a-t-il été formé et a-t-il été validé dans mon laboratoire ? » Si la réponse est « non », les chiffres de performance ne s'appliquent pas encore à vous.
Attention : Ce n’est pas parce que l’IA dit « pas de tumeur » qu’il n’y a pas de tumeur dans le tissu non échantillonné. Un résultat négatif en pathologie est limité par la qualité du prélèvement ; le modèle ne peut pas dépasser cette limite et un résultat négatif ne constitue pas une assurance diagnostique.
Erreurs courantes
- Sous-estimation de la variabilité des couleurs/teintures. La dérive de champ est la cause d’échec la plus fréquente en pathologie numérique.
- Entraînez-vous dans un seul centre et utilisez-le partout. Des navigateurs et des couleurs différents créent une dégradation silencieuse des performances.
- Confondre un résultat négatif avec une assurance. La limite d'échantillonnage ne peut pas être compensée par le modèle.
- Ignorer la variabilité inter-observateur. Le modèle doit être évalué en conséquence si la norme de référence elle-même est variable.
- Éliminer le pathologiste. Le comptage et la segmentation sont un support ; Le diagnostic et le classement incombent au pathologiste.
En résumé
- La pathologie numérique analyse les images WSI gigapixels en les divisant en tuiles ; L'IA prend en charge le comptage et la segmentation des cellules.
- Le plus grand piège technique est la dérive de champ due à la variabilité de la coloration/balayage ; la normalisation des couleurs et la validation externe sont essentielles.
- Un résultat d’IA négatif est limité par la limite d’échantillonnage et ne fournit pas d’assurance diagnostique.
- La norme de référence et la variabilité interobservateur constituent le contexte de l’évaluation du modèle.
- Le diagnostic, la stadification et la classification relèvent de la responsabilité du pathologiste ; L'IA ne diagnostique pas.
Tâche de candidature
Sélectionnez un modèle de pathologie numérique hypothétique (par exemple, calcul du pourcentage Ki-67). Rédigez un plan de validation externe pour ce modèle : combien de lames provenant de quels laboratoires, quelle normalisation des couleurs, comment vous mesurerez l'accord du pathologiste et comment vous testerez la dérive sur le terrain. Écrivez ensuite en une phrase l'avertissement de contrainte qui doit être ajouté à la sortie négative/positive du modèle.
liste de contrôle
- [ ] Je connais les étapes de numérisation, de mosaïque, d'analyse et de composition du flux de travail WSI.
- [ ] Je comprends comment la variabilité peinture/scan provoque une dérive du champ et comment elle est gérée.
- [ ] Je comprends que le résultat négatif de l'IA est limité par la limite d'échantillonnage.
- [ ] Je peux utiliser les notions de validation externe et d'accord du pathologiste (kappa).
- [ ] J'ai intériorisé que la décision de diagnostic et de classement appartient au pathologiste.