Dobici:
- Sposobnost objašnjenja podrške umjetne inteligencije za brojanje stanica, segmentaciju i ocjenjivanje u tijeku rada cijele slike slajda (WSI)
- Sposobnost prepoznavanja učinka varijabilnosti slikanja i skeniranja na performanse modela i pomak domene
- Sposobnost provjere patoloških AI izlaza s referentnim standardom, uzorkovanjem i odobrenjem patologa
Patologija je grana medicine u kojoj se bolest identificira ispitivanjem uzorka tkiva pod mikroskopom; Ovdje se pravi "zlatni standard" mnogih dijagnoza raka. Digitalna patologija je digitalizacija obojenog isječka tkiva na stakalcu skenerom visoke rezolucije. Rezultirajuća datoteka naziva se slika cijelog slajda (skraćeno WSI); Jedan slajd može biti ogromna slika veličine gigapiksela, odnosno milijarde piksela. Umjetna inteligencija podržava brojanje stanica, segmentaciju regija i ocjenjivanje na ovim ogromnim slikama. U ovoj jedinici vidjet ćemo WSI tijek rada, njegovu najveću tehničku zamku: varijabilnost bojenja/skeniranja i zašto je odobrenje patologa ključno.
Recimo od početka: umjetna inteligencija može biti brojač, preliminarni skener i drugo oko u patologiji; Ali odluke o dijagnozi raka, stadiju i stupnjevanju pripadaju patologu. Model ne postavlja dijagnozu.
Koraci tijeka rada WSI
Korak 1 — Pregled i kontrola kvalitete. Predmetno staklo se skenira; Defekti poput defokusiranja, tragova presavijanja i mjehurića zraka mogu se otkriti automatski. Skeniranja loše kvalitete uopće ne bi trebala ulaziti u model.
Korak 2 — Uklanjanje pločica (flastera). Gigapikselna slika ne može se izravno obraditi; je podijeljen na male kvadrate (engleski patch, obično 256x256 ili 512x512 piksela). Model procjenjuje svaku pločicu zasebno, a zatim se rezultati kombiniraju.
Korak 3 — Analiza tkiva/stanica. Model; Obavlja zadatke kao što je segmentacija mjesta tumora, brojanje mitoza (stanica koje se dijele), gustoća jezgre ili izračun markera (npr. stopa bojenja Ki-67). Izlaz je numeričko mjerenje ili toplinska karta.
Korak 4 — Konsolidacija i izvješćivanje. Rezultati pločica kombiniraju se na razini slajda; Izrađuje se sažetak, na primjer, "postotak površine tumora" ili "mitotski broj".
Korak 5 — Procjena patologa. Patolog pregledava regije i broji označene modelom; prihvaća, ispravlja ili odbija. Dijagnoza i stupnjevanje su na patologu.
Najveća zamka: varijabilnost bojenja i skeniranja
Presjeci tkiva obično se boje s H&E (hematoksilin i eozin; standardna boja koja boji jezgre plavo-ljubičasto, a citoplazmu ružičasto). Ali intenzitet bojenja značajno varira ovisno o laboratoriju, seriji bojenja, debljini presjeka i marki skenera. Ljudsko oko lako se prilagođava ovim razlikama; Model možda nije kompatibilan.
Ako je model naučio na temelju ružičasto-ljubičastih tonova laboratorija A, njegova će se izvedba smanjiti na blijeđe ili tamnije bojenje laboratorija B. Taj se fenomen naziva pomakom domene i najčešći je uzrok neuspjeha u digitalnoj patologiji. Pristupi rješenju: normalizacija boja (pomicanje slika u zajednički prostor boja), multicentrični podaci o obuci i — što je najvažnije — vanjska provjera valjanosti u svakom laboratoriju koji će se koristiti.
Tri mini kućišta: po brojevima
Slučaj 1 — Dosljednost broja mitoza. Mitotičko brojanje u stupnjevanju raka dojke je važno, ali naporno i varijabilno od promatrača do promatrača. Preliminarno brojanje potpomognuto umjetnom inteligencijom u jednom laboratoriju, slaganje (kappa) između dva patologa povećalo se s 0,55 na 0,71, a vrijeme brojanja po stakalcu smanjilo se s 4 minute na 1,5 minute. Međutim, svaki konačni rezultat je potvrdio patolog; Model je predložio, patolog odlučio.
Slučaj 2 — Pogodak pomaka u polju. U laboratoriju koji je razvio model segmentacije tumora, radio je ispravno 93% vremena. Isti model sustavno je precijenio područje tumora za 20% u partnerskom laboratoriju koristeći drugačiji skener i boju. Nakon normalizacije boje i revalidacije s 200 slajdova iz tog laboratorija, razlika se smanjila na prihvatljivu razinu.
Slučaj 3 — Pogreška uzorkovanja. Jedan je model rekao "ne" tumoru na slajdu; međutim, model je procijenio samo skenirano područje, a tumor je bio u neuzorkovanom dijelu. Dijagnoza patologije jednako je dobra kao odabir stakalca i uzimanje uzoraka; AI "negativan" izlaz ne kompenzira poduzorkovanje. Zato samo negativan rezultat AI nikada ne znači "nema bolesti".
Slab upit / Jak upit
Napomena: Sljedeći promptovi služe za konfiguriranje izvješća o patologiji i teksta tijeka rada; Dijagnostika slike tkiva posao je provjerenog softvera i patologa.
Slab upit:
Prema ovom patološkom izvješću, postoji li rak? [izvješće]
Snažan upit:
Vaša uloga: Vi ste asistent za strukturiranje patološkog izvješća (VI Niste DIJAGNOZA). Strukturirajte sljedeće anonimno patološko izvješće: - U tablicu navedite vrstu uzorka, bojenje, tip tumora/gradus, kirurški rub, markere. - Ostavite netaknute dvosmislene riječi ("atipično, preporučuje se klinička korelacija") - Dodajte nikakve nalaze koji nisu u tekstu; upišite “neodređeno” u polje koje nedostaje.- Na kraju navedite 3 točke koje bi patolog trebao potvrditi. Anonimna prijava:[tekst]
Četiri predloška za kopiranje
1) Standardizacija izvješća:
Iscrtajte sljedeće anonimno patološko izvješće u strukturirana polja (organ, dijagnoza, stupanj, margina, postoci markera). Držite se teksta. Izvještaj: [tekst]
2) Provjera dosljednosti tokena:
Navedite sve postotke i numeričke oznake (Ki-67, ER, PR, HER2) spomenute u ovom izvješću; Označite vrijednosti koje su u sukobu jedna s drugom ili s dijagnozom. Izvještaj: [tekst]
3) Plan validacije modela (digitalna patologija):
Napišite nacrt plana validacije za model WSI segmentacije: normalizacija boja, multicentrična vanjska validacija, dogovor patologa (kappa), testiranje pomaka na terenu. Označite točke validacije patologa zasebno.
4) Dodavanje upozorenja o uzorkovanju:
Sljedećem negativnom rezultatu AI dodajte upozorenje da "uzorkovanje može biti ograničeno, negativan rezultat ne isključuje bolest" i zahtjev za potvrdu patologa. Izlaz: [tekst]
Uloga modela: prema vrsti zadatka
Vrsta zadatka
AI doprinos
kritičnost
provjera
Segmentacija regije tumora
visoka
visoka
Patolog + vanjska provjera
Mitoza/broj stanica
visoka
visoka
Potvrda patologa
Postotak markera (Ki-67)
visoka
srednji
Referentna usporedba
Kontrola kvalitete (fokus/defekt)
visoka
nizak
provjera na licu mjesta
Konfiguracija izvješća (tekst)
visoka
nizak
Potvrda patologa
Savjet: Kada procjenjujete prijedlog modela u digitalnoj patologiji, uvijek pitajte: "Na mrljama i skenerima kojih je laboratorija obučen ovaj model i je li potvrđen u mom laboratoriju?" Ako je odgovor "ne", podaci o izvedbi još se ne odnose na vas.
Oprez: Samo zato što AI kaže "nema tumora" ne znači da nema tumora u neuzorkovanom tkivu. Negativan rezultat u patologiji ograničen je kvalitetom uzorkovanja; uzorak ne može prijeći ovu granicu i negativan rezultat nije dijagnostičko jamstvo.
Uobičajene greške
- Podcjenjivanje varijabilnosti boje/boje. Pomak polja je najčešći uzrok kvara u digitalnoj patologiji.
- Trenirajte u jednom centru i koristite posvuda. Različiti preglednici i boje stvaraju tiho smanjenje performansi.
- Zamjena negativnog rezultata za sigurnost. Ograničenje uzorkovanja ne može se kompenzirati modelom.
- Ignoriranje varijabilnosti među promatračima. Model treba ocijeniti u skladu s tim ako je sam referentni standard varijabilan.
- Uklanjanje patologa. Brojanje i segmentacija su podrška; Dijagnoza i ocjenjivanje ostaje s patologom.
Ukratko
- Digitalna patologija analizira gigapikselne WSI slike dijeleći ih na pločice; AI podržava brojanje i segmentaciju stanica.
- Najveća tehnička zamka je pomak polja zbog varijabilnosti bojenja/skeniranja; normalizacija boje i vanjska provjera su bitni.
- Negativan AI rezultat ograničen je granicom uzorkovanja i ne pruža dijagnostičko jamstvo.
- Referentni standard i varijabilnost među promatračima kontekst su za evaluaciju modela.
- Dijagnoza, određivanje stadija i stupnjevanje odgovornost su patologa; AI ne postavlja dijagnozu.
Zadatak aplikacije
Odaberite hipotetski model digitalne patologije (npr. izračun postotka Ki-67). Napišite plan vanjske validacije za ovaj model: koliko slajdova iz kojih laboratorija, koja normalizacija boje, kako ćete mjeriti slaganje patologa i kako ćete testirati pomicanje polja. Zatim u jednoj rečenici napišite upozorenje o ograničenju koje treba dodati negativnom/pozitivnom izlazu modela.
popis za provjeru
- [ ] Znam korake skeniranja, popločavanja, analize i sastavljanja WSI radnog tijeka.
- [ ] Razumijem kako varijabilnost slikanja/skeniranja uzrokuje pomicanje polja i kako se time upravlja.
- [ ] Razumijem da je negativan AI rezultat ograničen ograničenjem uzorkovanja.
- [ ] Mogu koristiti koncepte vanjske provjere i dogovora patologa (kappa).
- [ ] Internalizirao sam da odluka o dijagnozi i ocjenjivanju ostaje na patologu.