利益:
- スライド画像全体 (WSI) ワークフローにおける細胞カウント、セグメンテーション、グレーディングに対する AI のサポートを説明する能力
- ペイントとスキャンの変動がモデルのパフォーマンスとドメインのシフトに及ぼす影響を認識する機能
- 参照標準、サンプリング、病理学者の承認により病理 AI 出力を検証する機能
病理学は、組織サンプルを顕微鏡で検査することによって病気を特定する医学の分野です。多くのがん診断の「ゴールドスタンダード」はここで作られています。デジタルパソロジーは、高解像度スキャナーを使用して、スライドガラス上の染色された組織切片をデジタル化することです。結果として得られるファイルは、スライド全体イメージ (略して WSI) と呼ばれます。 1 枚のスライドがギガピクセル サイズ、つまり数十億ピクセルの巨大な画像になる場合があります。人工知能は、これらの巨大な画像における細胞のカウント、領域の分割、およびグレーディングをサポートします。この単元では、WSI ワークフロー、その最大の技術的な落とし穴、つまり染色/スキャンのばらつき、および病理医の承認が不可欠な理由について説明します。
最初から言っておきますが、人工知能は病理学におけるカウンター、予備スキャナー、そして第二の目となりえます。しかし、がんの診断、病期分類、およびグレードの決定は病理学者に属します。モデルは診断しません。
WSI ワークフローの手順
ステップ 1 — スクリーニングと品質管理。スライドガラスがスキャンされます。ピンぼけ、折れ跡、気泡などの欠陥を自動検出します。低品質のスキャンはモデルにまったく入力されるべきではありません。
ステップ 2 — タイル (パッチ) の除去。ギガピクセル画像は直接処理できません。小さな正方形 (英語パッチ、通常は 256x256 または 512x512 ピクセル) に分割されます。モデルは各タイルを個別に評価し、結果が結合されます。
ステップ 3 — 組織/細胞分析。モデル;腫瘍部位の分割、有糸分裂 (細胞分裂) の計数、核密度、マーカー (Ki-67 染色率など) の計算などのタスクを実行します。出力は数値測定またはヒート マップです。
ステップ 4 — 統合とレポート作成。タイルの結果はスライド レベルで結合されます。たとえば、「腫瘍領域のパーセンテージ」または「有糸分裂数」などの要約が生成されます。
ステップ 5 — 病理医の評価。病理学者は、モデルによってマークされた領域とカウントを検査します。承認、修正、または拒否します。診断と等級付けは病理医に委ねられます。
最大の落とし穴: 染色とスキャンのばらつき
組織切片は通常、H&E (ヘマトキシリンおよびエオシン、核を青紫に、細胞質をピンクに染色する標準的な色素) で染色されます。ただし、染色強度は研究室、染色バッチ、切片の厚さ、スキャナーのブランドによって大きく異なります。人間の目はこれらの違いに簡単に適応します。機種によっては対応していない可能性がございます。
モデルがラボ A のピンクと紫のトーンに基づいて学習した場合、ラボ B のより薄いまたは暗い染色ではそのパフォーマンスが低下します。この現象はドメイン シフトと呼ばれ、デジタル パソロジーで失敗する最も一般的な原因です。解決策のアプローチ: 色の正規化 (画像を共通の色空間に移動する)、多施設のトレーニング データ、そして最も重要なのは、使用する各研究室での外部検証です。
3 つのミニケース: 数字で見る
ケース 1 — 有糸分裂数の一貫性。乳がんのグレード分けにおける有糸分裂のカウントは重要ですが、手間がかかり、観察者によって異なります。 1 つの研究室で AI 支援による予備計数を行ったところ、2 人の病理医間の一致 (カッパ) は 0.55 から 0.71 に増加し、スライドあたりの計数時間は 4 分から 1.5 分に短縮されました。ただし、最終的な数値は病理学者によって確認されました。モデルが示唆したことを病理学者が判断した。
ケース 2 — フィールド シフト ヒット。腫瘍セグメンテーション モデルを開発した研究室では、93% の確率で正しく機能していました。パートナー検査室では、異なるスキャナーと色素を使用して、同じモデルが体系的に腫瘍面積を 20% 過大評価しました。その研究室からの 200 枚のスライドを使用して色の正規化と再検証を行った後、その差は許容レベルまで減少しました。
ケース 3 — サンプリングの誤り。あるモデルはスライド上に腫瘍が「ない」と答えた。ただし、モデルはスキャンされた領域のみを評価し、腫瘍はサンプリングされていないセクションにありました。病理学的診断は、スライドの選択とサンプリングと同様に優れています。 AI の「ネガティブ」出力はアンダーサンプリングを補正しません。そのため、AI の結果が陰性であることだけが「病気ではない」ことを意味することはありません。
弱いプロンプト / 強いプロンプト
注: 次のプロンプトは、病理学レポートとワークフロー テキストを設定するためのものです。組織画像診断は、検証済みのソフトウェアと病理学者の仕事です。
弱いプロンプト:
この病理報告書によれば、癌があるのでしょうか？ 【報告】
強力なプロンプト:
あなたの役割: あなたは病理学レポートの構造化アシスタントです (あなたは診断ではありません)。以下の匿名病理レポートを構成します。 - 標本の種類、染色、腫瘍の種類/悪性度、切除断端、マーカーを表にします。 - 曖昧な表現（「非定型、臨床相関が推奨される」）はそのままにします。 - 本文にない所見は追加しないでください。不足している欄には「不明」と記入してください。 - 最後に、病理医が確認すべき点を3つ挙げてください。匿名レポート:[本文]
4 つのコピー可能なテンプレート
1) レポートの標準化:
次の匿名の病理レポートを構造化フィールド (臓器、診断、グレード、マージン、マーカーの割合) にプロットします。テキストに固執します。レポート: [テキスト]
2) トークンの整合性チェック:
このレポートで言及されているすべてのパーセンテージおよび数値マーカー (Ki-67、ER、PR、HER2) をリストします。互いに矛盾する値、または診断と矛盾する値にマークを付けます。レポート: [テキスト]
3) モデル検証計画 (デジタル パソロジー):
WSI セグメンテーション モデルの検証計画草案を作成します: 色正規化、多施設外部検証、病理医同意書 (カッパ)、フィールド シフト テスト。病理学者の検証ポイントを個別にマークします。
4) サンプリング警告の追加:
次の AI の陰性結果に、「サンプリングは制限されている可能性があり、陰性結果は病気を除外するものではない」という注意点と、病理学者の確認の要件を追加します。出力: [テキスト]
モデルの役割: タスクの種類別
タスクの種類
AIの貢献
臨界度
検証
腫瘍領域のセグメンテーション
高い
高い
病理医 + 外部検証
有糸分裂/細胞数
高い
高い
病理医の確認
マーカーの割合 (Ki-67)
高い
中程度
参考比較
品質管理（焦点・欠陥）
高い
低い
スポットチェック
レポート構成（テキスト）
高い
低い
病理医の確認
ヒント: デジタルパソロジーでモデル提案を評価するときは、常に「このモデルはどの研究室の染色とスキャナーでトレーニングされ、私の研究室で検証されていますか?」と尋ねてください。答えが「いいえ」の場合、パフォーマンスの数値はまだ適用されていません。
注意: AI が「腫瘍なし」と言ったからといって、サンプリングされていない組織に腫瘍がないことを意味するわけではありません。病理学における陰性結果は、サンプリングの質によって制限されます。パターンはこの制限を超えることはできず、否定的な結果は診断を保証するものではありません。
よくある間違い
- 色/染料のばらつきを過小評価している。フィールドドリフトは、デジタルパソロジーにおける最も一般的な障害の原因です。
- 1 つのセンターでトレーニングし、どこでも使用できます。ブラウザーやカラーリングが異なると、静かにパフォーマンスが低下します。
- 否定的な結果を確信と誤解する。サンプリング制限はモデルによって補正できません。
- 観察者間の変動を無視します。参照標準自体が変動する場合には、それに応じてモデルを評価する必要があります。
- 病理医を排除する。カウントとセグメント化はサポートです。診断と等級付けは病理医と相談してください。
要約すると
- デジタルパソロジーは、ギガピクセル WSI 画像をタイルに分割して分析します。 AI が細胞カウントとセグメンテーションをサポートします。
- 最大の技術的罠は、染色/スキャンのばらつきによるフィールドドリフトです。色の正規化と外部検証は不可欠です。
- 陰性の AI 結果はサンプリング制限によって制限され、診断を保証するものではありません。
- 参照標準と観察者間の変動は、モデル評価のコンテキストです。
- 診断、病期分類、および等級分けは病理学者の責任です。 AIは診断しません。
アプリケーションタスク
仮想のデジタル病理モデルを選択します (例: Ki-67 パーセント計算)。このモデルの外部検証計画を作成します。つまり、どの研究室からのスライドの枚数、色の正規化、病理医の一致をどのように測定するか、フィールド ドリフトをテストする方法などです。次に、モデルの負/正の出力に追加する必要がある制約警告を 1 文で記述します。
チェックリスト
- [ ] WSI ワークフローのスキャン、タイリング、分析、合成の手順を理解しています。
- [ ] ペイント/スキャンのばらつきがフィールド ドリフトを引き起こす仕組みと、それがどのように管理されるかを理解しています。
- [ ] AI の負の結果がサンプリング制限によって制限されていることを理解しています。
- [ ] 外部検証と病理学者同意 (カッパ) の概念を使用できます。
- [ ] 私は、診断とグレードの決定は病理医に委ねられていると認識しています。