નફો:
- સંપૂર્ણ સ્લાઇડ ઇમેજ (WSI) વર્કફ્લોમાં સેલ કાઉન્ટિંગ, સેગ્મેન્ટેશન અને ગ્રેડિંગ માટે AI ના સમર્થનને સમજાવવાની ક્ષમતા
- મોડેલ પરફોર્મન્સ અને ડોમેન શિફ્ટ પર પેઇન્ટિંગ અને સ્કેનિંગ વેરિએબિલિટીની અસરને ઓળખવાની ક્ષમતા
- સંદર્ભ ધોરણ, નમૂના અને પેથોલોજીસ્ટની મંજૂરી સાથે પેથોલોજી AI આઉટપુટને માન્ય કરવાની ક્ષમતા
પેથોલોજી એ દવાની શાખા છે જેમાં માઇક્રોસ્કોપ હેઠળ પેશીના નમૂનાની તપાસ કરીને રોગની ઓળખ કરવામાં આવે છે; કેન્સરના ઘણા નિદાનના "ગોલ્ડ સ્ટાન્ડર્ડ" અહીં બનાવવામાં આવે છે. ડિજિટલ પેથોલોજી એ ઉચ્ચ-રિઝોલ્યુશન સ્કેનર સાથે કાચની સ્લાઇડ પર સ્ટેઇન્ડ પેશી વિભાગનું ડિજિટાઇઝેશન છે. પરિણામી ફાઇલને આખી સ્લાઇડ ઇમેજ કહેવામાં આવે છે (ટૂંકમાં WSI); એક જ સ્લાઇડ ગીગાપિક્સેલ સાઇઝની એટલે કે અબજો પિક્સેલની વિશાળ ઇમેજ હોઈ શકે છે. આર્ટિફિશિયલ ઈન્ટેલિજન્સ આ વિશાળ ઈમેજીસમાં સેલ કાઉન્ટિંગ, રિજન સેગ્મેન્ટેશન અને ગ્રેડિંગને સપોર્ટ કરે છે. આ એકમમાં આપણે WSI વર્કફ્લો જોઈશું, તેની સૌથી મોટી ટેકનિકલ ખામી: સ્ટેનિંગ/સ્કેનીંગ વેરિએબિલિટી અને પેથોલોજિસ્ટની મંજૂરી શા માટે જરૂરી છે.
ચાલો શરૂઆતથી જણાવીએ: કૃત્રિમ બુદ્ધિ એ કાઉન્ટર, પ્રારંભિક સ્કેનર અને પેથોલોજીમાં બીજી આંખ હોઈ શકે છે; પરંતુ કેન્સરનું નિદાન, સ્ટેજીંગ અને ગ્રેડિંગના નિર્ણયો પેથોલોજિસ્ટના છે. મોડેલ નિદાન કરતું નથી.
WSI વર્કફ્લોના પગલાં
પગલું 1 - સ્ક્રીનીંગ અને ગુણવત્તા નિયંત્રણ. ગ્લાસ સ્લાઇડ સ્કેન કરવામાં આવે છે; ડિફોકસ, ફોલ્ડ માર્કસ અને એર બબલ જેવી ખામીઓ આપમેળે શોધી શકાય છે. નબળી ગુણવત્તાવાળા સ્કેન મોડેલમાં બિલકુલ દાખલ થવું જોઈએ નહીં.
પગલું 2 - ટાઇલ (પેચ) દૂર કરવું. ગીગાપિક્સેલ ઇમેજ પર સીધી પ્રક્રિયા કરી શકાતી નથી; નાના ચોરસ (અંગ્રેજી પેચ, સામાન્ય રીતે 256x256 અથવા 512x512 પિક્સેલ્સ) માં વિભાજિત થાય છે. મોડેલ દરેક ટાઇલનું અલગથી મૂલ્યાંકન કરે છે, પછી પરિણામો સંયુક્ત થાય છે.
પગલું 3 - પેશી/કોષ વિશ્લેષણ. મોડલ; તે ટ્યુમર સાઇટ સેગ્મેન્ટેશન, મિટોસિસ (કોષનું વિભાજન) ગણતરી, પરમાણુ ઘનતા અથવા માર્કરની ગણતરી (દા.ત. Ki-67 સ્ટેનિંગ રેટ) જેવા કાર્યો કરે છે. આઉટપુટ એ સંખ્યાત્મક માપ અથવા ગરમીનો નકશો છે.
પગલું 4 - એકીકરણ અને રિપોર્ટિંગ. ટાઇલ પરિણામો સ્લાઇડ સ્તર પર સંયુક્ત છે; સારાંશ બનાવવામાં આવે છે, ઉદાહરણ તરીકે, "ગાંઠ વિસ્તારની ટકાવારી" અથવા "મિટોટિક ગણતરી".
પગલું 5 - પેથોલોજીસ્ટનું મૂલ્યાંકન. પેથોલોજિસ્ટ મોડેલ દ્વારા ચિહ્નિત થયેલ પ્રદેશો અને ગણતરીઓની તપાસ કરે છે; સ્વીકારે છે, સુધારે છે અથવા નકારે છે. નિદાન અને ગ્રેડિંગ પેથોલોજીસ્ટ પર આધારિત છે.
સૌથી મોટી મુશ્કેલી: ડાઇંગ અને સ્કેનિંગ વેરિએબિલિટી
ટીશ્યુ વિભાગો સામાન્ય રીતે H&E (હેમેટોક્સિલિન અને ઇઓસિન; પ્રમાણભૂત રંગ કે જે ન્યુક્લી બ્લુ-વાયોલેટ અને સાયટોપ્લાઝમ ગુલાબી રંગને ડાઘ કરે છે) થી ડાઘવાળા હોય છે. પરંતુ લેબોરેટરી, સ્ટેન બેચ, વિભાગની જાડાઈ અને સ્કેનર બ્રાન્ડ દ્વારા સ્ટેનિંગની તીવ્રતા સ્પષ્ટપણે બદલાય છે. માનવ આંખ સરળતાથી આ તફાવતોને સ્વીકારે છે; મોડેલ સુસંગત ન હોઈ શકે.
જો કોઈ મોડેલ લેબ A ના ગુલાબી-જાંબલી ટોનના આધારે શીખ્યું હોય, તો તેનું પ્રદર્શન લેબ B ના નિસ્તેજ અથવા ઘાટા સ્ટેનિંગ પર ઘટશે. આ ઘટનાને ડોમેન શિફ્ટ કહેવામાં આવે છે અને ડિજિટલ પેથોલોજીમાં નિષ્ફળતાનું સૌથી સામાન્ય કારણ છે. ઉકેલનો અભિગમ: કલર નોર્મલાઇઝેશન (ઇમેજને સામાન્ય કલર સ્પેસમાં ખસેડવી), મલ્ટિ-સેન્ટર પ્રશિક્ષણ ડેટા અને — સૌથી અગત્યનું — દરેક પ્રયોગશાળામાં બાહ્ય માન્યતાનો ઉપયોગ કરવો.
ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા
કેસ 1 - મિટોટિક ગણતરીમાં સુસંગતતા. સ્તન કેન્સર ગ્રેડિંગમાં મિટોટિક ગણતરી મહત્વપૂર્ણ છે પરંતુ નિરીક્ષકથી નિરીક્ષક સુધી કપરું અને પરિવર્તનશીલ છે. એક પ્રયોગશાળામાં AI-આસિસ્ટેડ પ્રારંભિક ગણતરી, બે પેથોલોજિસ્ટ વચ્ચે કરાર (કપ્પા) 0.55 થી વધીને 0.71 થયો, અને સ્લાઇડ દીઠ ગણતરીનો સમય 4 મિનિટથી ઘટીને 1.5 મિનિટ થયો. જો કે, પેથોલોજિસ્ટ દ્વારા દરેક અંતિમ ગણતરીની પુષ્ટિ કરવામાં આવી હતી; મોડેલ સૂચવ્યું, પેથોલોજીસ્ટ નક્કી કર્યું.
કેસ 2 - ફીલ્ડ શિફ્ટ હિટ. લેબોરેટરીમાં કે જેણે ગાંઠ વિભાજન મોડલ વિકસાવ્યું હતું, તે 93% સમય યોગ્ય રીતે કામ કરી રહ્યું હતું. આ જ મોડેલે અલગ સ્કેનર અને રંગનો ઉપયોગ કરીને પાર્ટનર લેબોરેટરીમાં ગાંઠના વિસ્તારને વ્યવસ્થિત રીતે 20% વધારે આંક્યો હતો. તે પ્રયોગશાળામાંથી 200 સ્લાઇડ્સ સાથે રંગ સામાન્યકરણ અને પુનઃપ્રમાણીકરણ પછી, તફાવત સ્વીકાર્ય સ્તરે ઘટી ગયો.
કેસ 3 - સેમ્પલિંગ ફેલેસી. એક મોડેલે સ્લાઇડ પર "ના" ટ્યુમર કહ્યું; જો કે, મોડેલે માત્ર સ્કેન કરેલા વિસ્તારનું જ મૂલ્યાંકન કર્યું હતું અને ગાંઠ નમૂના વગરના વિભાગમાં હતી. પેથોલોજીનું નિદાન સ્લાઇડની પસંદગી અને નમૂના લેવા જેટલું સારું છે; AI "નકારાત્મક" આઉટપુટ અન્ડરસેમ્પલિંગ માટે વળતર આપતું નથી. તેથી જ નકારાત્મક AI પરિણામનો અર્થ ક્યારેય "કોઈ રોગ નથી" થતો નથી.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નોંધ: નીચેના સંકેતો પેથોલોજી રિપોર્ટ અને વર્કફ્લો ટેક્સ્ટને ગોઠવવા માટે છે; ટીશ્યુ ઇમેજ નિદાન એ વેરિફાઈડ સોફ્ટવેર અને પેથોલોજીસ્ટનું કામ છે.
નબળા પ્રોમ્પ્ટ:
આ પેથોલોજી રિપોર્ટ મુજબ, શું કેન્સર છે? [અહેવાલ]
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: તમે પેથોલોજી રિપોર્ટ સ્ટ્રક્ચરિંગ આસિસ્ટન્ટ છો (તમે નિદાન નથી). નીચેના અનામી પેથોલોજી રિપોર્ટની રચના કરો:- નમૂનાનો પ્રકાર, સ્ટેનિંગ, ગાંઠનો પ્રકાર/ગ્રેડ, સર્જિકલ માર્જિન, માર્કર્સ ટેબલ કરો.- અસ્પષ્ટ શબ્દો ("એટીપીકલ, ક્લિનિકલ સહસંબંધની ભલામણ કરેલ") અકબંધ રાખો.- ટેક્સ્ટમાં ન હોય તેવા કોઈ તારણો ઉમેરો; ગુમ થયેલ ફીલ્ડમાં "અનિર્દિષ્ટ" લખો. - અંતે, પેથોલોજીસ્ટ દ્વારા પુષ્ટિ કરવી જોઈએ તેવા 3 મુદ્દાઓની યાદી આપો. અનામી અહેવાલ:[ટેક્સ્ટ]
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) માનકીકરણની જાણ કરો:
નીચેના અનામી પેથોલોજી રિપોર્ટને સંરચિત ક્ષેત્રો (અંગ, નિદાન, ગ્રેડ, માર્જિન, માર્કર ટકાવારી) માં લખો. ટેક્સ્ટને વળગી રહો. અહેવાલ: [ટેક્સ્ટ]
2) ટોકન સુસંગતતા તપાસો:
આ અહેવાલમાં દર્શાવેલ તમામ ટકાવારી અને સંખ્યાત્મક માર્કર (Ki-67, ER, PR, HER2) ની યાદી બનાવો; મૂલ્યોને ચિહ્નિત કરો જે એકબીજા સાથે અથવા નિદાન સાથે વિરોધાભાસી છે. અહેવાલ: [ટેક્સ્ટ]
3) મોડલ માન્યતા યોજના (ડિજિટલ પેથોલોજી):
WSI સેગ્મેન્ટેશન મોડલ માટે ડ્રાફ્ટ વેલિડેશન પ્લાન લખો: કલર નોર્મલાઇઝેશન, મલ્ટિસેન્ટર એક્સટર્નલ વેલિડેશન, પેથોલોજિસ્ટ એગ્રીમેન્ટ (કપ્પા), ફીલ્ડ શિફ્ટ ટેસ્ટિંગ. પેથોલોજિસ્ટ માન્યતા બિંદુઓને અલગથી ચિહ્નિત કરો.
4) નમૂના લેવાની ચેતવણી ઉમેરવી:
નીચેના નકારાત્મક AI પરિણામમાં ચેતવણી ઉમેરો કે "નમૂના લેવાનું મર્યાદિત હોઈ શકે છે, નકારાત્મક પરિણામ રોગને બાકાત રાખતું નથી" અને પેથોલોજિસ્ટની પુષ્ટિની જરૂરિયાત. આઉટપુટ: [ટેક્સ્ટ]
મોડેલની ભૂમિકા: કાર્ય પ્રકાર દ્વારા
કાર્ય પ્રકાર
AI યોગદાન
ટીકા
ચકાસણી
ગાંઠ પ્રદેશનું વિભાજન
ઉચ્ચ
ઉચ્ચ
પેથોલોજીસ્ટ + બાહ્ય ચકાસણી
મિટોસિસ/કોષોની સંખ્યા
ઉચ્ચ
ઉચ્ચ
રોગવિજ્ઞાની પુષ્ટિ
માર્કરની ટકાવારી (Ki-67)
ઉચ્ચ
મધ્યમ
સંદર્ભ સરખામણી
ગુણવત્તા નિયંત્રણ (ફોકસ/ખામી)
ઉચ્ચ
નીચું
સ્પોટ ચેક
રિપોર્ટ રૂપરેખાંકન (ટેક્સ્ટ)
ઉચ્ચ
નીચું
રોગવિજ્ઞાની પુષ્ટિ
ટીપ: ડિજિટલ પેથોલોજીમાં મોડેલ પ્રસ્તાવનું મૂલ્યાંકન કરતી વખતે, હંમેશા પૂછો: "કયા પ્રયોગશાળાઓના સ્ટેન અને સ્કેનર્સ પર આ મોડેલની તાલીમ આપવામાં આવી છે, અને તે મારી પ્રયોગશાળામાં માન્ય કરવામાં આવી છે?" જો જવાબ "ના" છે, તો પ્રદર્શનના આંકડા હજુ સુધી તમને લાગુ પડતા નથી.
સાવધાન: AI કહે છે કે "કોઈ ગાંઠ નથી" તેનો અર્થ એ નથી કે નમૂના વગરના પેશીઓમાં કોઈ ગાંઠ નથી. પેથોલોજીમાં નકારાત્મક પરિણામ નમૂનાની ગુણવત્તા દ્વારા મર્યાદિત છે; પેટર્ન આ મર્યાદાને ઓળંગી શકતી નથી અને નકારાત્મક પરિણામ એ ડાયગ્નોસ્ટિક ખાતરી નથી.
સામાન્ય ભૂલો
- રંગ/રંગની વિવિધતાને ઓછો અંદાજ. ફિલ્ડ ડ્રિફ્ટ એ ડિજિટલ પેથોલોજીમાં નિષ્ફળતાનું સૌથી સામાન્ય કારણ છે.
- એક કેન્દ્રમાં ટ્રેન કરો અને દરેક જગ્યાએ ઉપયોગ કરો. વિવિધ બ્રાઉઝર અને કલરિંગ સાયલન્ટ પર્ફોર્મન્સ ડિગ્રેડેશન બનાવે છે.
- ખાતરી માટે નકારાત્મક પરિણામની ભૂલ કરવી. નમૂનાની મર્યાદા મોડેલ દ્વારા સરભર કરી શકાતી નથી.
- આંતર-નિરીક્ષક પરિવર્તનક્ષમતાને અવગણી. જો સંદર્ભ ધોરણ પોતે ચલ હોય તો મોડેલનું તે મુજબ મૂલ્યાંકન કરવું જોઈએ.
- પેથોલોજિસ્ટને દૂર કરવું. ગણતરી અને વિભાજન આધાર છે; પેથોલોજીસ્ટ સાથે નિદાન અને ગ્રેડિંગ આરામ.
સારાંશમાં
- ડિજિટલ પેથોલોજી ગીગાપિક્સેલ WSI છબીઓને ટાઇલ્સમાં વિભાજીત કરીને વિશ્લેષણ કરે છે; AI સેલ કાઉન્ટિંગ અને સેગ્મેન્ટેશન સાથે સપોર્ટ કરે છે.
- સ્ટેનિંગ/સ્કેનિંગ વેરિએબિલિટીને કારણે સૌથી મોટી ટેકનિકલ ટ્રેપ ફીલ્ડ ડ્રિફ્ટ છે; રંગ નોર્મલાઇઝેશન અને બાહ્ય માન્યતા આવશ્યક છે.
- નકારાત્મક AI પરિણામ નમૂનાની મર્યાદા દ્વારા મર્યાદિત છે અને તે નિદાનની ખાતરી આપતું નથી.
- સંદર્ભ ધોરણ અને આંતર-નિરીક્ષક પરિવર્તનક્ષમતા એ મોડેલ મૂલ્યાંકન માટેનો સંદર્ભ છે.
- નિદાન, સ્ટેજીંગ અને ગ્રેડિંગ પેથોલોજીસ્ટની જવાબદારી છે; AI નિદાન કરતું નથી.
એપ્લિકેશન કાર્ય
કાલ્પનિક ડિજિટલ પેથોલોજી મોડલ પસંદ કરો (દા.ત. Ki-67 ટકાવારીની ગણતરી). આ મોડેલ માટે બાહ્ય માન્યતા યોજના લખો: કઈ લેબમાંથી કેટલી સ્લાઈડ્સ, કયો રંગ નોર્મલાઇઝેશન, તમે પેથોલોજિસ્ટ એગ્રીમેન્ટ કેવી રીતે માપશો અને તમે ફિલ્ડ ડ્રિફ્ટ કેવી રીતે ચકાસશો. પછી એક વાક્યમાં અવરોધ ચેતવણી લખો જે મોડેલના નકારાત્મક/સકારાત્મક આઉટપુટમાં ઉમેરવી જોઈએ.
ચેકલિસ્ટ
- [ ] હું WSI વર્કફ્લોના સ્કેનિંગ, ટાઇલિંગ, વિશ્લેષણ અને કમ્પોઝીટીંગ સ્ટેપ્સને જાણું છું.
- [ ] હું સમજું છું કે કેવી રીતે પેઇન્ટ/સ્કેન વેરિએબિલિટી ફીલ્ડ ડ્રિફ્ટનું કારણ બને છે અને તે કેવી રીતે સંચાલિત થાય છે.
- [ ] હું સમજું છું કે નકારાત્મક AI પરિણામ નમૂનાની મર્યાદા દ્વારા મર્યાદિત છે.
- [ ] હું બાહ્ય માન્યતા અને પેથોલોજિસ્ટ એગ્રીમેન્ટ (કપ્પા) ના ખ્યાલોનો ઉપયોગ કરી શકું છું.
- [ ] મેં આંતરિક કર્યું છે કે નિદાન અને ગ્રેડિંગનો નિર્ણય પેથોલોજિસ્ટ પાસે રહે છે.