Keuntungan:
- Kemampuan untuk menjelaskan dukungan AI untuk penghitungan sel, segmentasi, dan penilaian dalam alur kerja keseluruhan gambar slide (WSI)
- Kemampuan untuk mengenali pengaruh variabilitas pengecatan dan pemindaian terhadap kinerja model dan pergeseran domain
- Kemampuan untuk memvalidasi keluaran AI patologi dengan standar referensi, pengambilan sampel, dan persetujuan ahli patologi
Patologi adalah cabang kedokteran yang penyakitnya diidentifikasi dengan memeriksa sampel jaringan di bawah mikroskop; "Standar emas" dari banyak diagnosis kanker dibuat di sini. Patologi digital adalah digitalisasi bagian jaringan yang diwarnai pada kaca objek dengan pemindai resolusi tinggi. File yang dihasilkan disebut gambar slide utuh (disingkat WSI); Satu slide bisa menjadi gambar raksasa berukuran gigapiksel, yaitu miliaran piksel. Kecerdasan buatan mendukung penghitungan sel, segmentasi wilayah, dan penilaian dalam gambar berukuran besar ini. Dalam unit ini kita akan melihat alur kerja WSI, kendala teknis terbesarnya: variabilitas pewarnaan/pemindaian, dan mengapa persetujuan ahli patologi sangat penting.
Mari kita nyatakan dari awal: kecerdasan buatan dapat menjadi alat penghitung, pemindai pendahuluan, dan mata kedua dalam patologi; Namun keputusan diagnosis, penentuan stadium, dan penilaian kanker adalah milik ahli patologi. Model tidak mendiagnosis.
Langkah-langkah Alur Kerja WSI
Langkah 1 — Penyaringan dan kontrol kualitas. Slide kaca dipindai; Cacat seperti pengaburan, tanda lipatan, dan gelembung udara dapat dideteksi secara otomatis. Pemindaian berkualitas buruk tidak boleh dimasukkan ke dalam model sama sekali.
Langkah 2 — Penghapusan ubin (tambalan). Gambar gigapiksel tidak dapat diproses secara langsung; dibagi menjadi kotak-kotak kecil (tambalan bahasa Inggris, biasanya 256x256 atau 512x512 piksel). Model mengevaluasi setiap ubin secara terpisah, lalu hasilnya digabungkan.
Langkah 3 — Analisis jaringan/sel. Model; Ia melakukan tugas-tugas seperti segmentasi lokasi tumor, penghitungan mitosis (pembelahan sel), kepadatan inti atau penghitungan penanda (misalnya laju pewarnaan Ki-67). Outputnya adalah pengukuran numerik atau peta panas.
Langkah 4 — Konsolidasi dan pelaporan. Hasil ubin digabungkan pada tingkat slide; Ringkasan dihasilkan, misalnya, "persentase luas tumor" atau "jumlah mitosis".
Langkah 5 — Evaluasi ahli patologi. Ahli patologi memeriksa wilayah dan menghitung yang ditandai oleh model; menerima, mengoreksi, atau menolak. Diagnosis dan penilaian terserah ahli patologi.
Kesalahan Terbesar: Variabilitas Pencelupan dan Pemindaian
Bagian jaringan biasanya diwarnai dengan H&E (hematoksilin dan eosin; pewarna standar yang mewarnai inti biru-ungu dan sitoplasma merah muda). Namun intensitas pewarnaan sangat bervariasi menurut laboratorium, kelompok pewarnaan, ketebalan bagian, dan merek pemindai. Mata manusia dengan mudah beradaptasi dengan perbedaan-perbedaan ini; Modelnya mungkin tidak kompatibel.
Jika suatu model telah belajar berdasarkan warna merah jambu-ungu di lab A, performanya akan menurun pada pewarnaan lab B yang lebih pucat atau lebih gelap. Fenomena ini disebut pergeseran domain dan merupakan penyebab paling umum kegagalan dalam patologi digital. Pendekatan solusi: normalisasi warna (memindahkan gambar ke ruang warna umum), data pelatihan multisenter, dan — yang paling penting — validasi eksternal di setiap laboratorium yang akan digunakan.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Konsistensi dalam jumlah mitosis. Penghitungan mitosis dalam menilai kanker payudara penting namun melelahkan dan bervariasi dari satu pengamat ke pengamat lainnya. Penghitungan awal yang dibantu AI di satu laboratorium, kesepakatan (kappa) antara dua ahli patologi meningkat dari 0,55 menjadi 0,71, dan waktu penghitungan per slide menurun dari 4 menit menjadi 1,5 menit. Namun, setiap penghitungan akhir dikonfirmasi oleh ahli patologi; Modelnya menyarankan, ahli patologi memutuskan.
Kasus 2 — Pergeseran lapangan terjadi. Di laboratorium yang mengembangkan model segmentasi tumor, model tersebut bekerja dengan benar sebanyak 93%. Model yang sama secara sistematis melebih-lebihkan area tumor sebesar 20% di laboratorium mitra dengan menggunakan pemindai dan pewarna berbeda. Setelah normalisasi warna dan validasi ulang dengan 200 slide dari laboratorium tersebut, perbedaannya menurun ke tingkat yang dapat diterima.
Kasus 3 - Kekeliruan pengambilan sampel. Salah satu model mengatakan "tidak" tumor pada slide; namun, model tersebut hanya mengevaluasi area yang dipindai dan tumor berada di bagian yang tidak diambil sampelnya. Diagnosis patologi sama baiknya dengan pemilihan slide dan pengambilan sampel; Keluaran AI yang "negatif" tidak mengkompensasi pengambilan sampel yang terlalu rendah. Itu sebabnya hasil AI negatif saja tidak pernah berarti “tidak ada penyakit”.
Prompt Lemah / Prompt Kuat
Catatan: Petunjuk berikut adalah untuk mengonfigurasi laporan patologi dan teks alur kerja; Diagnosis citra jaringan adalah hasil kerja perangkat lunak dan ahli patologi yang terverifikasi.
Perintah yang lemah:
Menurut laporan patologi ini, apakah ada kanker? [laporan]
Perintah yang kuat:
Peran Anda: Anda adalah asisten penataan laporan patologi (ANDA BUKAN DIAGNOSA). Susun laporan patologi anonim berikut:- Tabel jenis spesimen, pewarnaan, jenis/tingkat tumor, margin bedah, penanda.- Pertahankan kata-kata yang ambigu ("atipikal, disarankan korelasi klinis") tetap utuh.- Jangan tambahkan temuan yang tidak ada dalam teks; tulis “tidak ditentukan” di bidang yang hilang.- Terakhir, sebutkan 3 poin yang harus dikonfirmasi oleh ahli patologi.Laporan anonim:[teks]
Empat Templat yang Dapat Disalin
1) Standarisasi laporan:
Plot laporan patologi anonim berikut ke dalam bidang terstruktur (organ, diagnosis, tingkatan, margin, persentase penanda). Tetap berpegang pada teks. Laporan: [teks]
2) Pemeriksaan konsistensi token:
Cantumkan semua penanda persentase dan numerik (Ki-67, ER, PR, HER2) yang disebutkan dalam laporan ini; Tandai nilai-nilai yang bertentangan satu sama lain atau dengan diagnosis. Laporan: [teks]
3) Rencana validasi model (patologi digital):
Tulis rancangan rencana validasi untuk model segmentasi WSI: normalisasi warna, validasi eksternal multisenter, perjanjian ahli patologi (kappa), pengujian pergeseran lapangan. Tandai titik validasi ahli patologi secara terpisah.
4) Menambahkan peringatan pengambilan sampel:
Selain hasil AI negatif berikut, peringatan bahwa "pengambilan sampel mungkin terbatas, hasil negatif tidak mengecualikan penyakit" dan persyaratan untuk konfirmasi ahli patologi. Keluaran: [teks]
Peran Model: Berdasarkan Jenis Tugas
Jenis tugas
Kontribusi AI
kekritisan
verifikasi
Segmentasi wilayah tumor
tinggi
tinggi
Ahli patologi + verifikasi eksternal
Mitosis/jumlah sel
tinggi
tinggi
Konfirmasi ahli patologi
Persentase penanda (Ki-67)
tinggi
sedang
Perbandingan referensi
Kontrol kualitas (fokus/cacat)
tinggi
rendah
pemeriksaan tempat
Konfigurasi laporan (teks)
tinggi
rendah
Konfirmasi ahli patologi
Tip: Saat mengevaluasi proposal model dalam patologi digital, selalu tanyakan: "Laboratorium mana yang telah melatih noda dan pemindai model ini, dan apakah sudah divalidasi di laboratorium saya?" Jika jawabannya "tidak", maka angka kinerja tersebut belum berlaku untuk Anda.
Perhatian: Hanya karena AI mengatakan "tidak ada tumor" tidak berarti tidak ada tumor di jaringan yang tidak diambil sampelnya. Hasil negatif dalam patologi dibatasi oleh kualitas pengambilan sampel; polanya tidak boleh melebihi batas ini dan hasil negatif bukan merupakan jaminan diagnostik.
Kesalahan umum
- Meremehkan variabilitas warna/pewarna. Penyimpangan lapangan adalah penyebab paling umum kegagalan dalam patologi digital.
- Berlatih di satu pusat dan gunakan di mana saja. Browser dan pewarnaan yang berbeda menyebabkan penurunan kinerja secara diam-diam.
- Mengira hasil negatif sebagai jaminan. Batas pengambilan sampel tidak dapat dikompensasi oleh model.
- Mengabaikan variabilitas antarpengamat. Model harus dievaluasi sesuai jika standar acuannya sendiri bervariasi.
- Menghilangkan ahli patologi. Penghitungan dan segmentasi adalah pendukung; Diagnosis dan penilaian diserahkan kepada ahli patologi.
Singkatnya
- Patologi digital menganalisis gambar WSI gigapixel dengan membaginya menjadi ubin; AI mendukung penghitungan dan segmentasi sel.
- Perangkap teknis terbesar adalah penyimpangan lapangan karena variabilitas pewarnaan/pemindaian; normalisasi warna dan validasi eksternal sangat penting.
- Hasil AI negatif dibatasi oleh batas pengambilan sampel dan tidak memberikan jaminan diagnostik.
- Standar referensi dan variabilitas antarpengamat adalah konteks evaluasi model.
- Diagnosis, penentuan stadium, dan penilaian adalah tanggung jawab ahli patologi; AI tidak mendiagnosis.
Tugas aplikasi
Pilih model patologi digital hipotetis (misalnya perhitungan persentase Ki-67). Tulis rencana validasi eksternal untuk model ini: berapa banyak slide dari laboratorium mana, normalisasi warna apa, bagaimana Anda akan mengukur persetujuan ahli patologi, dan bagaimana Anda akan menguji penyimpangan lapangan. Kemudian tulis dalam satu kalimat peringatan kendala yang harus ditambahkan ke keluaran negatif/positif model.
daftar periksa
- [ ] Saya mengetahui langkah-langkah pemindaian, ubin, analisis, dan pengomposisian alur kerja WSI.
- [ ] Saya memahami bagaimana variabilitas pengecatan/pemindaian menyebabkan penyimpangan bidang dan cara pengelolaannya.
- [ ] Saya memahami bahwa hasil AI negatif dibatasi oleh batas pengambilan sampel.
- [ ] Saya dapat menggunakan konsep validasi eksternal dan persetujuan ahli patologi (kappa).
- [ ] Saya telah menginternalisasikan bahwa diagnosis dan keputusan penilaian tetap berada di tangan ahli patologi.