Guadagni:
- Capacità di spiegare il supporto dell'intelligenza artificiale per il conteggio, la segmentazione e la classificazione delle cellule in un flusso di lavoro con immagine di diapositiva intera (WSI)
- Capacità di riconoscere l'effetto della variabilità della verniciatura e della scansione sulle prestazioni del modello e sullo spostamento del dominio
- Capacità di convalidare gli output dell'intelligenza artificiale patologica con standard di riferimento, campionamento e approvazione del patologo
La patologia è la branca della medicina in cui la malattia viene identificata esaminando un campione di tessuto al microscopio; Il "gold standard" di molte diagnosi di cancro viene effettuato qui. La patologia digitale è la digitalizzazione di una sezione di tessuto colorato su un vetrino con uno scanner ad alta risoluzione. Il file risultante è chiamato immagine intera diapositiva (WSI in breve); Una singola diapositiva può essere un'immagine gigante di dimensioni gigapixel, ovvero miliardi di pixel. L'intelligenza artificiale supporta il conteggio delle cellule, la segmentazione delle regioni e la classificazione in queste enormi immagini. In questa unità vedremo il flusso di lavoro WSI, il suo più grande ostacolo tecnico: la variabilità della colorazione/scansione e il motivo per cui è essenziale l'approvazione del patologo.
Lo diciamo fin dall'inizio: l'intelligenza artificiale può essere un contatore, uno scanner preliminare e un secondo occhio nella patologia; Ma le decisioni sulla diagnosi, sulla stadiazione e sulla classificazione del cancro appartengono al patologo. Il modello non effettua diagnosi.
Passaggi del flusso di lavoro WSI
Fase 1: screening e controllo di qualità. Il vetrino viene scansionato; Difetti come sfocatura, segni di piegatura e bolle d'aria possono essere rilevati automaticamente. Le scansioni di scarsa qualità non dovrebbero affatto entrare nel modello.
Passaggio 2: rimozione del riquadro (patch). L'immagine Gigapixel non può essere elaborata direttamente; è diviso in piccoli quadrati (patch inglese, tipicamente 256x256 o 512x512 pixel). Il modello valuta ciascuna tessera separatamente, quindi i risultati vengono combinati.
Passaggio 3: analisi dei tessuti/cellule. Modello; Svolge compiti come la segmentazione del sito del tumore, il conteggio delle mitosi (cellule in divisione), la densità nucleare o il calcolo di un marcatore (ad esempio il tasso di colorazione Ki-67). L'output è una misurazione numerica o una mappa termica.
Passaggio 4: consolidamento e reporting. I risultati dei riquadri vengono combinati a livello di diapositiva; Viene prodotto un riepilogo, ad esempio, "percentuale dell'area tumorale" o "conta mitotica".
Passaggio 5: valutazione del patologo. Il patologo esamina le regioni ed i conteggi contrassegnati dal modello; accetta, corregge o rifiuta. La diagnosi e la valutazione spettano al patologo.
La più grande trappola: la variabilità della tintura e della scansione
Le sezioni di tessuto sono solitamente colorate con H&E (ematossilina ed eosina; il colorante standard che colora i nuclei in blu-violetto e il citoplasma in rosa). Ma l’intensità della colorazione varia notevolmente in base al laboratorio, al lotto di colorazione, allo spessore della sezione e alla marca dello scanner. L'occhio umano si adatta facilmente a queste differenze; Il modello potrebbe non essere compatibile.
Se un modello ha imparato in base ai toni rosa-viola del laboratorio A, le sue prestazioni diminuiranno sulla colorazione più chiara o più scura del laboratorio B. Questo fenomeno è chiamato spostamento di dominio ed è la causa più comune di fallimento nella patologia digitale. Approcci risolutivi: normalizzazione del colore (spostamento delle immagini in uno spazio colore comune), dati di addestramento multicentrico e, soprattutto, convalida esterna in ciascun laboratorio da utilizzare.
Tre mini custodie: i numeri
Caso 1 – Coerenza nel conteggio mitotico. Il conteggio mitotico nella classificazione del cancro al seno è importante ma laborioso e variabile da osservatore a osservatore. Il conteggio preliminare assistito dall'intelligenza artificiale in un laboratorio, la concordanza (kappa) tra due patologi è aumentato da 0,55 a 0,71 e il tempo di conteggio per vetrino è diminuito da 4 minuti a 1,5 minuti. Tuttavia, ogni conteggio finale è stato confermato dal patologo; Il modello suggeriva, decise il patologo.
Caso 2: spostamento di campo colpito. Nel laboratorio che ha sviluppato un modello di segmentazione del tumore, ha funzionato correttamente nel 93% dei casi. Lo stesso modello ha sistematicamente sovrastimato l'area del tumore del 20% nel laboratorio partner utilizzando uno scanner e un colorante diversi. Dopo la normalizzazione e la rivalidazione del colore con 200 vetrini provenienti da quel laboratorio, la differenza è scesa a un livello accettabile.
Caso 3 – Errore di campionamento. Un modello ha detto "no" tumore su un vetrino; tuttavia, il modello ha valutato solo l'area scansionata e il tumore si trovava in una sezione non campionata. La diagnosi patologica è efficace quanto la selezione e il campionamento dei vetrini; L'output "negativo" dell'AI non compensa il sottocampionamento. Ecco perché un risultato AI negativo da solo non significa mai "nessuna malattia".
Prompt debole / Prompt forte
Nota: le seguenti istruzioni servono per configurare il referto patologico e il testo del flusso di lavoro; La diagnosi delle immagini dei tessuti è il lavoro di software e patologi verificati.
Suggerimento debole:
Secondo questo rapporto patologico, esiste il cancro? [rapporto]
Suggerimento potente:
Il tuo ruolo: sei l'assistente alla strutturazione del referto patologico (NON SEI LA DIAGNOSI). Strutturare il seguente referto anonimo patologico:- Tabella tipo di campione, colorazione, tipo/grado di tumore, margine chirurgico, marcatori.- Mantenere intatta la dicitura ambigua ("atipico, correlazione clinica consigliata").- Non aggiungere risultati che non siano presenti nel testo; nel campo mancante scrivere “non specificato”.- Infine elencare 3 punti che il patologo dovrà confermare. Rapporto anonimo:[testo]
Quattro modelli copiabili
1) Standardizzazione dei rapporti:
Tracciare il seguente referto anonimo patologico in campi strutturati (organo, diagnosi, grado, margine, percentuali di marcatori). Attenersi al testo. Rapporto: [testo]
2) Controllo della coerenza dei token:
Elencare tutti i marcatori percentuali e numerici (Ki-67, ER, PR, HER2) menzionati in questo rapporto; Contrassegnare i valori in conflitto tra loro o con la diagnosi. Rapporto: [testo]
3) Piano di validazione del modello (patologia digitale):
Scrivere una bozza del piano di validazione per un modello di segmentazione WSI: normalizzazione del colore, validazione esterna multicentrica, accordo del patologo (kappa), test di spostamento sul campo. Contrassegnare separatamente i punti di convalida del patologo.
4) Aggiunta di un avviso di campionamento:
Aggiungere al seguente risultato negativo dell'IA l'avvertenza che "il campionamento può essere limitato, un risultato negativo non esclude la malattia" e il requisito della conferma del patologo. Risultato: [testo]
Ruolo del modello: per tipo di attività
Tipo di attività
Contributo dell'IA
criticità
verifica
Segmentazione della regione tumorale
alto
alto
Patologo + verifica esterna
Mitosi/conta cellulare
alto
alto
Conferma del patologo
Percentuale del marcatore (Ki-67)
alto
medio
Confronto di riferimento
Controllo qualità (messa a fuoco/difetto)
alto
basso
controllo a campione
Configurazione del report (testo)
alto
basso
Conferma del patologo
Suggerimento: quando si valuta una proposta di modello in patologia digitale, chiedere sempre: "Su quali colorazioni e scanner di laboratori è stato addestrato questo modello ed è stato convalidato nel mio laboratorio?" Se la risposta è "no", i dati sulla performance non si applicano ancora al tuo caso.
Attenzione: solo perché l'IA dice "nessun tumore" non significa che non ci sia tumore nel tessuto non campionato. Un risultato negativo in patologia è limitato dalla qualità del campionamento; il pattern non può superare questo limite e un risultato negativo non costituisce garanzia diagnostica.
Errori comuni
- Sottovalutare la variabilità del colore/tintura. La deriva del campo è la causa più comune di fallimento nella patologia digitale.
- Allenati in un centro e usalo ovunque. Browser e colorazioni diversi creano un silenzioso degrado delle prestazioni.
- Confondere un risultato negativo per certezza. Il limite di campionamento non può essere compensato dal modello.
- Ignorando la variabilità tra osservatori. Il modello dovrebbe essere valutato di conseguenza se lo standard di riferimento stesso è variabile.
- Eliminare il patologo. Il conteggio e la segmentazione sono di supporto; La diagnosi e la valutazione spettano al patologo.
In sintesi
- La patologia digitale analizza le immagini WSI gigapixel dividendole in tessere; L'intelligenza artificiale supporta il conteggio e la segmentazione delle cellule.
- La più grande trappola tecnica è la deriva del campo dovuta alla variabilità della colorazione/scansione; la normalizzazione del colore e la validazione esterna sono essenziali.
- Un risultato AI negativo è limitato dal limite di campionamento e non fornisce alcuna garanzia diagnostica.
- Lo standard di riferimento e la variabilità tra osservatori costituiscono il contesto per la valutazione del modello.
- La diagnosi, la stadiazione e il grading sono responsabilità del patologo; L’intelligenza artificiale non diagnostica.
Compito dell'applicazione
Selezionare un ipotetico modello di patologia digitale (ad esempio calcolo della percentuale Ki-67). Scrivi un piano di validazione esterna per questo modello: quanti vetrini da quali laboratori, quale normalizzazione del colore, come misurerai la concordanza del patologo e come testerai la deriva del campo. Quindi scrivi in una frase l'avviso di vincolo che dovrebbe essere aggiunto all'output negativo/positivo del modello.
lista di controllo
- [ ] Conosco le fasi di scansione, affiancamento, analisi e composizione del flusso di lavoro WSI.
- [ ] Comprendo come la variabilità della verniciatura/scansione provoca la deriva del campo e come viene gestita.
- [ ] Comprendo che il risultato AI negativo è limitato dal limite di campionamento.
- [ ] Posso usare i concetti di validazione esterna e accordo del patologo (kappa).
- [] Ho interiorizzato che la diagnosi e la decisione sulla classificazione spetta al patologo.