Nyereség:
- Képes elmagyarázni az AI sejtszámlálás, szegmentálás és osztályozás támogatását egy teljes diakép (WSI) munkafolyamatban
- Képes felismerni a festés és a szkennelés változékonyságának hatását a modell teljesítményére és a tartományváltásra
- Lehetőség a patológiai mesterséges intelligencia kimeneteinek hitelesítésére referenciaszabvány, mintavétel és patológus jóváhagyással
A patológia az orvostudomány azon ága, amelyben a betegséget szövetminta mikroszkóp alatti vizsgálatával azonosítják; Sok rákdiagnózis "arany standardja" itt készül. A digitális patológia egy festett szövetmetszet digitalizálása üveglemezen nagy felbontású szkennerrel. Az eredményül kapott fájlt teljes diaképnek (röviden WSI) nevezzük; Egyetlen dia gigapixel méretű, azaz több milliárd pixeles óriási kép lehet. A mesterséges intelligencia támogatja a sejtszámlálást, a régiószegmentálást és az osztályozást ezeken a hatalmas képeken. Ebben az egységben látni fogjuk a WSI munkafolyamatát, annak legnagyobb technikai buktatóját: a festés/szkennelés változékonyságát, és azt, hogy miért elengedhetetlen a patológus jóváhagyása.
Állítsuk le az elején: a mesterséges intelligencia lehet számláló, előzetes szkenner és második szem a patológiában; De a rák diagnosztizálása, a stádium és az osztályozási döntések a patológus hatáskörébe tartoznak. A modell nem diagnosztizál.
A WSI munkafolyamat lépései
1. lépés – Szűrés és minőségellenőrzés. Az üveglap beolvasásra kerül; Az olyan hibák, mint a defókusz, a hajtásnyomok és a légbuborékok automatikusan észlelhetők. A rossz minőségű beolvasások egyáltalán nem léphetnek be a modellbe.
2. lépés – Csempe (folt) eltávolítása. A gigapixeles kép közvetlenül nem dolgozható fel; kis négyzetekre van osztva (angol patch, jellemzően 256x256 vagy 512x512 pixel). A modell minden csempét külön értékel, majd az eredményeket összevonja.
3. lépés – Szövet-/sejtelemzés. Modell; Olyan feladatokat végez, mint a tumor helyének szegmentálása, mitózis (osztódó sejt) számlálás, nukleáris sűrűség vagy marker kiszámítása (pl. Ki-67 festődési arány). A kimenet numerikus mérés vagy hőtérkép.
4. lépés – Konszolidáció és jelentéstétel. A csempék eredményeit a dia szintjén kombinálják; Összefoglaló készül, például „tumorterület százaléka” vagy „mitotikus szám”.
5. lépés – Patológus értékelés. A patológus megvizsgálja a modell által megjelölt régiókat és számokat; elfogadja, javítja vagy elutasítja. A diagnózis és az osztályozás a patológus feladata.
A legnagyobb buktató: festési és szkennelési változatosság
A szövetmetszeteket általában H&E-vel (hematoxilin és eozin; a standard festék, amely a sejtmagokat kékeslilára és a citoplazmát rózsaszínre festik) megfestik. A festődés intenzitása azonban jelentősen eltér a laboratóriumtól, a folttételtől, a metszetvastagságtól és a szkenner márkától függően. Az emberi szem könnyen alkalmazkodik ezekhez a különbségekhez; Lehetséges, hogy a modell nem kompatibilis.
Ha egy modell az A laboratórium rózsaszín-lila tónusai alapján tanult, teljesítménye csökkenni fog a B labor halványabb vagy sötétebb festése esetén. Ezt a jelenséget tartományeltolódásnak nevezik, és ez a digitális patológia meghibásodásának leggyakoribb oka. Megoldási megközelítések: színnormalizálás (képek mozgatása egy közös színtérbe), többközpontú képzési adatok és – ami a legfontosabb – külső validálás minden egyes felhasználandó laboratóriumban.
Három mini tok: a számok szerint
1. eset – A mitózisszám konzisztenciája. A mitotikus számlálás az emlőrák osztályozásában fontos, de fáradságos és megfigyelőről megfigyelőre változó. Az MI-vel segített előzetes számlálás egy laboratóriumban, a két patológus közötti egyetértés (kappa) 0,55-ről 0,71-re nőtt, a tárgylemezenkénti számlálási idő pedig 4 percről 1,5 percre csökkent. A patológus azonban minden végső számot megerősített; A modell javasolta, döntött a patológus.
2. eset – Mezőváltás találat. A tumorszegmentációs modellt kidolgozó laboratóriumban az esetek 93%-ában megfelelően működött. Ugyanez a modell szisztematikusan 20%-kal túlbecsülte a daganat területét a partner laboratóriumában egy másik szkenner és festék használatával. A színnormalizálás és a laboratórium 200 tárgylemezével történő újravalidálás után a különbség elfogadható szintre csökkent.
3. eset – Mintavételi tévedés. Az egyik modell „nem” daganatot mondott egy tárgylemezen; azonban a modell csak a szkennelt területet értékelte, és a daganat egy minta nélküli szakaszon volt. A patológiai diagnózis ugyanolyan jó, mint a tárgylemez kiválasztása és a mintavétel; Az AI "negatív" kimenete nem kompenzálja az alulmintavételezést. Ezért önmagában a negatív AI-eredmény soha nem jelenti azt, hogy „nincs betegség”.
Gyenge felszólítás / Erős felszólítás
Megjegyzés: A következő promptok a patológiai jelentés és a munkafolyamat szövegének konfigurálására szolgálnak; A szöveti képdiagnosztika ellenőrzött szoftverek és patológusok munkája.
Gyenge felszólítás:
E patológiai jelentés szerint van rák? [jelentés]
Erőteljes felszólítás:
Az Ön szerepe: Ön a patológiai jelentés strukturáló asszisztense (NEM VAGY DIAGNÓZIS). Szerkezze fel a következő anonim patológiai jelentést: - Táblázza meg a minta típusát, festődését, tumor típusát/fokozatát, műtéti szélét, markereket. - A kétértelmű megfogalmazást ("atipikus, klinikai korreláció ajánlott") érintetlenül hagyja. - Ne adjon hozzá olyan leleteket, amelyek nem szerepelnek a szövegben; a hiányzó mezőbe írja be, hogy „meghatározatlan”.- Végül soroljon fel 3 pontot, amelyet a patológusnak meg kell erősítenie.Névtelen jelentés:[szöveg]
Négy másolható sablon
1) Jelentés szabványosítása:
Ábrázolja a következő anonim patológiai jelentést strukturált mezőkbe (szerv, diagnózis, fokozat, margó, marker százalékok). Ragaszkodj a szöveghez. Jelentés: [szöveg]
2) Token konzisztencia ellenőrzése:
Sorolja fel az ebben a jelentésben említett összes százalékos és numerikus markert (Ki-67, ER, PR, HER2); Jelölje meg azokat az értékeket, amelyek ütköznek egymással vagy a diagnózissal. Jelentés: [szöveg]
3) Validációs terv modell (digitális patológia):
Írjon validációs terv tervezetet egy WSI szegmentációs modellhez: színnormalizálás, többközpontú külső validálás, patológus megállapodás (kappa), terepi eltolódás tesztelése. Jelölje meg külön a patológus érvényesítési pontjait.
4) Mintavételi figyelmeztetés hozzáadása:
Adja hozzá a következő negatív AI eredményhez azt a figyelmeztetést, hogy "a mintavétel korlátozott lehet, a negatív eredmény nem zárja ki a betegséget", valamint a patológus megerősítésének követelményét. Kimenet: [szöveg]
A modell szerepe: Feladattípus szerint
Feladat típusa
AI hozzájárulás
kritikusság
ellenőrzése
A tumor régió szegmentációja
magas
magas
Patológus + külső igazolás
Mitózis/sejtszám
magas
magas
Patológus megerősítése
Marker százalékos aránya (Ki-67)
magas
közepes
Referencia összehasonlítás
Minőségellenőrzés (fókusz/hiba)
magas
alacsony
helyszíni ellenőrzés
Jelentés konfigurációja (szöveg)
magas
alacsony
Patológus megerősítése
Tipp: Amikor egy modelljavaslatot értékel a digitális patológiában, mindig kérdezze meg: "Mely laboratóriumok foltjaira és szkennereire képezték ki ezt a modellt, és validálták-e az én laboratóriumomban?" Ha a válasz "nem", akkor a teljesítményadatok még nem vonatkoznak Önre.
Vigyázat: Csak azért, mert az AI azt mondja, hogy "nincs tumor", nem jelenti azt, hogy a mintavétel nélküli szövetben nincs daganat. A patológia negatív eredményét a mintavétel minősége korlátozza; a minta nem lépheti túl ezt a határt, és a negatív eredmény nem jelent diagnosztikai biztosítékot.
Gyakori hibák
- A szín/festék variabilitásának alábecsülése. A digitális patológia meghibásodásának leggyakoribb oka a mezősodródás.
- Vonatkozzon egy központban, és mindenhol használható. A különböző böngészők és színek csendes teljesítménycsökkenést okoznak.
- A negatív eredmény összetévesztése a biztonság kedvéért. A mintavételi korlátot a modell nem tudja kompenzálni.
- Figyelmen kívül hagyja a megfigyelők közötti változékonyságot. A modellt ennek megfelelően kell értékelni, ha maga a referenciastandard változó.
- A patológus megszüntetése. A számlálás és a szegmentálás támogatás; A diagnózis és az osztályozás a patológussal marad.
Összefoglalva
- A digitális patológia elemzi a gigapixeles WSI képeket úgy, hogy csempékre osztja azokat; Az AI támogatja a sejtszámlálást és a szegmentálást.
- A legnagyobb technikai csapda a festési/szkennelési változékonyság miatti terepi sodródás; a színnormalizálás és a külső érvényesítés elengedhetetlen.
- A negatív mesterséges intelligencia eredményt a mintavételi határ korlátozza, és nem nyújt diagnosztikai biztosítékot.
- A referenciastandard és az interobserver variabilitás a modellértékelés kontextusa.
- A diagnózis, a stádium meghatározása és az osztályozás a patológus feladata; Az AI nem diagnosztizál.
Pályázati feladat
Válasszon ki egy hipotetikus digitális patológia modellt (pl. Ki-67 százalékos számítás). Írjon egy külső validálási tervet ehhez a modellhez: melyik laborból hány tárgyat, milyen színnormalizálást, hogyan méri a patológus egyetértését, és hogyan teszteli a terepsodródást. Ezután egy mondatban írja be a kényszer figyelmeztetést, amelyet hozzá kell adni a modell negatív/pozitív kimenetéhez.
ellenőrző lista
- [ ] Ismerem a WSI munkafolyamat szkennelési, csempézési, elemzési és összeállítási lépéseit.
- [ ] Megértem, hogy a festék/szkennelés változékonysága miként okoz mezősodródást, és hogyan kezelik azt.
- [ ] Tudomásul veszem, hogy a negatív AI eredményt a mintavételi korlát korlátozza.
- [ ] Tudom használni a külső validáció és a patológus megállapodás (kappa) fogalmát.
- [ ] Beláttam, hogy a diagnózis és az osztályozás döntése a patológusnál marad.