ಲಾಭಗಳು:
- ಸಂಪೂರ್ಣ ಸ್ಲೈಡ್ ಇಮೇಜ್ (WSI) ವರ್ಕ್ಫ್ಲೋನಲ್ಲಿ ಸೆಲ್ ಎಣಿಕೆ, ವಿಭಜನೆ ಮತ್ತು ಶ್ರೇಣೀಕರಣಕ್ಕಾಗಿ AI ನ ಬೆಂಬಲವನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಡೊಮೇನ್ ಶಿಫ್ಟ್ನಲ್ಲಿ ಪೇಂಟಿಂಗ್ ಮತ್ತು ಸ್ಕ್ಯಾನಿಂಗ್ ವ್ಯತ್ಯಾಸದ ಪರಿಣಾಮವನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ರೆಫರೆನ್ಸ್ ಸ್ಟ್ಯಾಂಡರ್ಡ್, ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಮತ್ತು ಪ್ಯಾಥಾಲಜಿಸ್ಟ್ ಅನುಮೋದನೆಯೊಂದಿಗೆ ರೋಗಶಾಸ್ತ್ರ AI ಔಟ್ಪುಟ್ಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ
ರೋಗಶಾಸ್ತ್ರವು ಔಷಧದ ಶಾಖೆಯಾಗಿದ್ದು, ಸೂಕ್ಷ್ಮದರ್ಶಕದ ಅಡಿಯಲ್ಲಿ ಅಂಗಾಂಶದ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ ರೋಗವನ್ನು ಗುರುತಿಸಲಾಗುತ್ತದೆ; ಅನೇಕ ಕ್ಯಾನ್ಸರ್ ರೋಗನಿರ್ಣಯಗಳ "ಚಿನ್ನದ ಗುಣಮಟ್ಟ" ಇಲ್ಲಿ ಮಾಡಲ್ಪಟ್ಟಿದೆ. ಡಿಜಿಟಲ್ ರೋಗಶಾಸ್ತ್ರವು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಸ್ಕ್ಯಾನರ್ನೊಂದಿಗೆ ಗಾಜಿನ ಸ್ಲೈಡ್ನಲ್ಲಿ ಬಣ್ಣದ ಅಂಗಾಂಶದ ವಿಭಾಗದ ಡಿಜಿಟಲೀಕರಣವಾಗಿದೆ. ಪರಿಣಾಮವಾಗಿ ಫೈಲ್ ಅನ್ನು ಸಂಪೂರ್ಣ ಸ್ಲೈಡ್ ಇಮೇಜ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ (ಸಂಕ್ಷಿಪ್ತವಾಗಿ WSI); ಒಂದೇ ಸ್ಲೈಡ್ ಗಿಗಾಪಿಕ್ಸೆಲ್ ಗಾತ್ರದ ದೈತ್ಯ ಚಿತ್ರವಾಗಬಹುದು, ಅಂದರೆ ಬಿಲಿಯನ್ಗಟ್ಟಲೆ ಪಿಕ್ಸೆಲ್ಗಳು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಬೃಹತ್ ಚಿತ್ರಗಳಲ್ಲಿ ಕೋಶಗಳ ಎಣಿಕೆ, ಪ್ರದೇಶ ವಿಭಜನೆ ಮತ್ತು ಶ್ರೇಣೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ ನಾವು WSI ವರ್ಕ್ಫ್ಲೋ ಅನ್ನು ನೋಡುತ್ತೇವೆ, ಅದರ ದೊಡ್ಡ ತಾಂತ್ರಿಕ ಅಪಾಯ: ಸ್ಟೈನಿಂಗ್/ಸ್ಕ್ಯಾನಿಂಗ್ ವ್ಯತ್ಯಾಸ, ಮತ್ತು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಅನುಮೋದನೆ ಏಕೆ ಅತ್ಯಗತ್ಯ.
ಮೊದಲಿನಿಂದಲೂ ಹೇಳೋಣ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೌಂಟರ್ ಆಗಿರಬಹುದು, ಪ್ರಾಥಮಿಕ ಸ್ಕ್ಯಾನರ್ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ ಎರಡನೇ ಕಣ್ಣು; ಆದರೆ ಕ್ಯಾನ್ಸರ್ ರೋಗನಿರ್ಣಯ, ಹಂತ ಮತ್ತು ಗ್ರೇಡಿಂಗ್ ನಿರ್ಧಾರಗಳು ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಸೇರಿವೆ. ಮಾದರಿಯು ರೋಗನಿರ್ಣಯ ಮಾಡುವುದಿಲ್ಲ.
WSI ವರ್ಕ್ಫ್ಲೋನ ಹಂತಗಳು
ಹಂತ 1 - ಸ್ಕ್ರೀನಿಂಗ್ ಮತ್ತು ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ. ಗಾಜಿನ ಸ್ಲೈಡ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾಗಿದೆ; ಡಿಫೋಕಸ್, ಫೋಲ್ಡ್ ಮಾರ್ಕ್ಗಳು ಮತ್ತು ಗಾಳಿಯ ಗುಳ್ಳೆಗಳಂತಹ ದೋಷಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು. ಕಳಪೆ ಗುಣಮಟ್ಟದ ಸ್ಕ್ಯಾನ್ಗಳು ಮಾದರಿಯನ್ನು ನಮೂದಿಸಬಾರದು.
ಹಂತ 2 - ಟೈಲ್ (ಪ್ಯಾಚ್) ತೆಗೆಯುವಿಕೆ. ಗಿಗಾಪಿಕ್ಸೆಲ್ ಚಿತ್ರವನ್ನು ನೇರವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ; ಸಣ್ಣ ಚೌಕಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ (ಇಂಗ್ಲಿಷ್ ಪ್ಯಾಚ್, ಸಾಮಾನ್ಯವಾಗಿ 256x256 ಅಥವಾ 512x512 ಪಿಕ್ಸೆಲ್ಗಳು). ಮಾದರಿಯು ಪ್ರತಿ ಟೈಲ್ ಅನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ, ನಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ.
ಹಂತ 3 - ಅಂಗಾಂಶ/ಕೋಶ ವಿಶ್ಲೇಷಣೆ. ಮಾದರಿ; ಇದು ಟ್ಯೂಮರ್ ಸೈಟ್ ಸೆಗ್ಮೆಂಟೇಶನ್, ಮೈಟೊಸಿಸ್ (ವಿಭಜಿಸುವ ಕೋಶ) ಎಣಿಕೆ, ಪರಮಾಣು ಸಾಂದ್ರತೆ ಅಥವಾ ಮಾರ್ಕರ್ನ ಲೆಕ್ಕಾಚಾರ (ಉದಾ. ಕಿ-67 ಸ್ಟೇನಿಂಗ್ ದರ) ನಂತಹ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಔಟ್ಪುಟ್ ಒಂದು ಸಂಖ್ಯಾತ್ಮಕ ಮಾಪನ ಅಥವಾ ಶಾಖ ನಕ್ಷೆಯಾಗಿದೆ.
ಹಂತ 4 - ಬಲವರ್ಧನೆ ಮತ್ತು ವರದಿ ಮಾಡುವಿಕೆ. ಟೈಲ್ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ಲೈಡ್ ಮಟ್ಟದಲ್ಲಿ ಸಂಯೋಜಿಸಲಾಗಿದೆ; ಸಾರಾಂಶವನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, "ಗೆಡ್ಡೆ ಪ್ರದೇಶದ ಶೇಕಡಾವಾರು" ಅಥವಾ "ಮೈಟೊಟಿಕ್ ಎಣಿಕೆ".
ಹಂತ 5 - ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಮೌಲ್ಯಮಾಪನ. ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ಮಾದರಿಯಿಂದ ಗುರುತಿಸಲಾದ ಪ್ರದೇಶಗಳು ಮತ್ತು ಎಣಿಕೆಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ; ಸ್ವೀಕರಿಸುತ್ತದೆ, ಸರಿಪಡಿಸುತ್ತದೆ ಅಥವಾ ತಿರಸ್ಕರಿಸುತ್ತದೆ. ರೋಗನಿರ್ಣಯ ಮತ್ತು ಶ್ರೇಣೀಕರಣವು ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಬಿಟ್ಟದ್ದು.
ದೊಡ್ಡ ಪಿಟ್ಫಾಲ್: ಡೈಯಿಂಗ್ ಮತ್ತು ಸ್ಕ್ಯಾನಿಂಗ್ ವೇರಿಯಬಿಲಿಟಿ
ಅಂಗಾಂಶ ವಿಭಾಗಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ H&E (ಹೆಮಟಾಕ್ಸಿಲಿನ್ ಮತ್ತು ಇಯೊಸಿನ್; ನ್ಯೂಕ್ಲಿಯಸ್ಗಳನ್ನು ನೀಲಿ-ನೇರಳೆ ಮತ್ತು ಸೈಟೋಪ್ಲಾಸಂ ಗುಲಾಬಿ ಬಣ್ಣಕ್ಕೆ ಹಚ್ಚುವ ಪ್ರಮಾಣಿತ ಬಣ್ಣ) ಯೊಂದಿಗೆ ಬಣ್ಣಿಸಲಾಗುತ್ತದೆ. ಆದರೆ ಪ್ರಯೋಗಾಲಯ, ಸ್ಟೇನ್ ಬ್ಯಾಚ್, ವಿಭಾಗದ ದಪ್ಪ ಮತ್ತು ಸ್ಕ್ಯಾನರ್ ಬ್ರಾಂಡ್ನಿಂದ ಸ್ಟೇನಿಂಗ್ ತೀವ್ರತೆಯು ಗಮನಾರ್ಹವಾಗಿ ಬದಲಾಗುತ್ತದೆ. ಮಾನವನ ಕಣ್ಣು ಈ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಸುಲಭವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ; ಮಾದರಿಯು ಹೊಂದಾಣಿಕೆಯಾಗದಿರಬಹುದು.
ಲ್ಯಾಬ್ A ಯ ಗುಲಾಬಿ-ನೇರಳೆ ಟೋನ್ಗಳನ್ನು ಆಧರಿಸಿ ಮಾದರಿಯು ಕಲಿತಿದ್ದರೆ, ಲ್ಯಾಬ್ B ಯ ತೆಳು ಅಥವಾ ಗಾಢವಾದ ಕಲೆಗಳ ಮೇಲೆ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಈ ವಿದ್ಯಮಾನವನ್ನು ಡೊಮೇನ್ ಶಿಫ್ಟ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಡಿಜಿಟಲ್ ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿನ ವೈಫಲ್ಯಕ್ಕೆ ಇದು ಸಾಮಾನ್ಯ ಕಾರಣವಾಗಿದೆ. ಪರಿಹಾರ ವಿಧಾನಗಳು: ಬಣ್ಣ ಸಾಮಾನ್ಯೀಕರಣ (ಚಿತ್ರಗಳನ್ನು ಸಾಮಾನ್ಯ ಬಣ್ಣದ ಜಾಗಕ್ಕೆ ಸ್ಥಳಾಂತರಿಸುವುದು), ಮಲ್ಟಿಸೆಂಟರ್ ತರಬೇತಿ ಡೇಟಾ, ಮತ್ತು - ಮುಖ್ಯವಾಗಿ - ಪ್ರತಿ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣವನ್ನು ಬಳಸಬೇಕು.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಮೈಟೊಟಿಕ್ ಎಣಿಕೆಯಲ್ಲಿ ಸ್ಥಿರತೆ. ಸ್ತನ ಕ್ಯಾನ್ಸರ್ ಶ್ರೇಣೀಕರಣದಲ್ಲಿ ಮೈಟೊಟಿಕ್ ಎಣಿಕೆ ಮುಖ್ಯವಾಗಿದೆ ಆದರೆ ಪ್ರಯಾಸಕರ ಮತ್ತು ವೀಕ್ಷಕರಿಂದ ವೀಕ್ಷಕರಿಗೆ ವ್ಯತ್ಯಾಸಗೊಳ್ಳುತ್ತದೆ. ಒಂದು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ AI-ಸಹಾಯದ ಪ್ರಾಥಮಿಕ ಎಣಿಕೆ, ಇಬ್ಬರು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ನಡುವಿನ ಒಪ್ಪಂದ (ಕಪ್ಪಾ) 0.55 ರಿಂದ 0.71 ಕ್ಕೆ ಏರಿತು ಮತ್ತು ಪ್ರತಿ ಸ್ಲೈಡ್ಗೆ ಎಣಿಸುವ ಸಮಯ 4 ನಿಮಿಷಗಳಿಂದ 1.5 ನಿಮಿಷಗಳಿಗೆ ಕಡಿಮೆಯಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಪ್ರತಿ ಅಂತಿಮ ಎಣಿಕೆ ರೋಗಶಾಸ್ತ್ರಜ್ಞರಿಂದ ದೃಢೀಕರಿಸಲ್ಪಟ್ಟಿದೆ; ಮಾದರಿ ಸಲಹೆ, ರೋಗಶಾಸ್ತ್ರಜ್ಞ ನಿರ್ಧರಿಸಿದ್ದಾರೆ.
ಪ್ರಕರಣ 2 - ಫೀಲ್ಡ್ ಶಿಫ್ಟ್ ಹಿಟ್. ಗೆಡ್ಡೆಯ ವಿಭಜನೆಯ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ಅದು 93% ಸಮಯ ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ. ಅದೇ ಮಾದರಿಯು ವಿಭಿನ್ನ ಸ್ಕ್ಯಾನರ್ ಮತ್ತು ಬಣ್ಣವನ್ನು ಬಳಸಿಕೊಂಡು ಪಾಲುದಾರ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಗೆಡ್ಡೆಯ ಪ್ರದೇಶವನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ 20% ರಷ್ಟು ಅಂದಾಜು ಮಾಡಿದೆ. ಆ ಪ್ರಯೋಗಾಲಯದಿಂದ 200 ಸ್ಲೈಡ್ಗಳೊಂದಿಗೆ ಬಣ್ಣ ಸಾಮಾನ್ಯೀಕರಣ ಮತ್ತು ಮರುಮೌಲ್ಯಮಾಪನದ ನಂತರ, ವ್ಯತ್ಯಾಸವು ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟಕ್ಕೆ ಕಡಿಮೆಯಾಗಿದೆ.
ಪ್ರಕರಣ 3 - ಮಾದರಿ ತಪ್ಪು. ಒಂದು ಮಾದರಿಯು ಸ್ಲೈಡ್ನಲ್ಲಿ "ಇಲ್ಲ" ಎಂದು ಹೇಳಿದರು; ಆದಾಗ್ಯೂ, ಮಾದರಿಯು ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಪ್ರದೇಶವನ್ನು ಮಾತ್ರ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ ಮತ್ತು ಗೆಡ್ಡೆಯು ಮಾದರಿಯಿಲ್ಲದ ವಿಭಾಗದಲ್ಲಿದೆ. ರೋಗಶಾಸ್ತ್ರದ ರೋಗನಿರ್ಣಯವು ಸ್ಲೈಡ್ ಆಯ್ಕೆ ಮತ್ತು ಮಾದರಿಯಂತೆ ಉತ್ತಮವಾಗಿದೆ; AI "ಋಣಾತ್ಮಕ" ಔಟ್ಪುಟ್ ಕಡಿಮೆ ಮಾದರಿಯನ್ನು ಸರಿದೂಗಿಸುವುದಿಲ್ಲ. ಅದಕ್ಕಾಗಿಯೇ ಋಣಾತ್ಮಕ AI ಫಲಿತಾಂಶವು ಎಂದಿಗೂ "ಯಾವುದೇ ರೋಗ" ಎಂದರ್ಥವಲ್ಲ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ಗಮನಿಸಿ: ರೋಗಶಾಸ್ತ್ರ ವರದಿ ಮತ್ತು ವರ್ಕ್ಫ್ಲೋ ಪಠ್ಯವನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಲು ಈ ಕೆಳಗಿನ ಪ್ರಾಂಪ್ಟ್ಗಳು; ಅಂಗಾಂಶ ಚಿತ್ರ ರೋಗನಿರ್ಣಯವು ಪರಿಶೀಲಿಸಿದ ಸಾಫ್ಟ್ವೇರ್ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಕೆಲಸವಾಗಿದೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ರೋಗಶಾಸ್ತ್ರದ ವರದಿಯ ಪ್ರಕಾರ, ಕ್ಯಾನ್ಸರ್ ಇದೆಯೇ? [ವರದಿ]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ನೀವು ರೋಗಶಾಸ್ತ್ರ ವರದಿ ರಚನಾ ಸಹಾಯಕರು (ನೀವು ರೋಗನಿರ್ಣಯ ಮಾಡಿಲ್ಲ). ಕೆಳಗಿನ ಅನಾಮಧೇಯ ರೋಗಶಾಸ್ತ್ರದ ವರದಿಯನ್ನು ರೂಪಿಸಿ:- ಮಾದರಿಯ ಪ್ರಕಾರ, ಸ್ಟೈನಿಂಗ್, ಟ್ಯೂಮರ್ ಪ್ರಕಾರ/ಗ್ರೇಡ್, ಸರ್ಜಿಕಲ್ ಮಾರ್ಜಿನ್, ಮಾರ್ಕರ್ಗಳನ್ನು ಟೇಬಲ್ ಮಾಡಿ.- ದ್ವಂದ್ವಾರ್ಥದ ಮಾತುಗಳನ್ನು ("ವಿಲಕ್ಷಣವಾದ, ಕ್ಲಿನಿಕಲ್ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ") ಹಾಗೇ ಇರಿಸಿಕೊಳ್ಳಿ.- ಪಠ್ಯದಲ್ಲಿ ಇಲ್ಲದ ಯಾವುದೇ ಸಂಶೋಧನೆಗಳನ್ನು ಸೇರಿಸಿ; ಕಾಣೆಯಾದ ಕ್ಷೇತ್ರದಲ್ಲಿ "ಅನಿರ್ದಿಷ್ಟ" ಎಂದು ಬರೆಯಿರಿ.- ಅಂತಿಮವಾಗಿ, ರೋಗಶಾಸ್ತ್ರಜ್ಞರು ದೃಢೀಕರಿಸಬೇಕಾದ 3 ಅಂಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಅನಾಮಧೇಯ ವರದಿ:[ಪಠ್ಯ]
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ವರದಿ ಪ್ರಮಾಣೀಕರಣ:
ಕೆಳಗಿನ ಅನಾಮಧೇಯ ರೋಗಶಾಸ್ತ್ರದ ವರದಿಯನ್ನು ರಚನಾತ್ಮಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ (ಅಂಗ, ರೋಗನಿರ್ಣಯ, ದರ್ಜೆ, ಅಂಚು, ಮಾರ್ಕರ್ ಶೇಕಡಾವಾರು) ರೂಪಿಸಿ. ಪಠ್ಯಕ್ಕೆ ಅಂಟಿಕೊಳ್ಳಿ. ವರದಿ: [ಪಠ್ಯ]
2) ಟೋಕನ್ ಸ್ಥಿರತೆ ಪರಿಶೀಲನೆ:
ಈ ವರದಿಯಲ್ಲಿ ಉಲ್ಲೇಖಿಸಲಾದ ಎಲ್ಲಾ ಶೇಕಡಾವಾರು ಮತ್ತು ಸಂಖ್ಯಾತ್ಮಕ ಗುರುತುಗಳನ್ನು (Ki-67, ER, PR, HER2) ಪಟ್ಟಿ ಮಾಡಿ; ಪರಸ್ಪರ ಅಥವಾ ರೋಗನಿರ್ಣಯದೊಂದಿಗೆ ಸಂಘರ್ಷದ ಮೌಲ್ಯಗಳನ್ನು ಗುರುತಿಸಿ. ವರದಿ: [ಪಠ್ಯ]
3) ಮಾದರಿ ಮೌಲ್ಯೀಕರಣ ಯೋಜನೆ (ಡಿಜಿಟಲ್ ರೋಗಶಾಸ್ತ್ರ):
WSI ವಿಭಾಗದ ಮಾದರಿಗಾಗಿ ಕರಡು ಮೌಲ್ಯೀಕರಣ ಯೋಜನೆಯನ್ನು ಬರೆಯಿರಿ: ಬಣ್ಣ ಸಾಮಾನ್ಯೀಕರಣ, ಮಲ್ಟಿಸೆಂಟರ್ ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ, ರೋಗಶಾಸ್ತ್ರಜ್ಞ ಒಪ್ಪಂದ (ಕಪ್ಪಾ), ಕ್ಷೇತ್ರ ಶಿಫ್ಟ್ ಪರೀಕ್ಷೆ. ರೋಗಶಾಸ್ತ್ರಜ್ಞ ಮೌಲ್ಯಮಾಪನ ಅಂಕಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗುರುತಿಸಿ.
4) ಮಾದರಿ ಎಚ್ಚರಿಕೆಯನ್ನು ಸೇರಿಸಲಾಗುತ್ತಿದೆ:
ಕೆಳಗಿನ ಋಣಾತ್ಮಕ AI ಫಲಿತಾಂಶಕ್ಕೆ "ಮಾದರಿ ಸೀಮಿತವಾಗಿರಬಹುದು, ಋಣಾತ್ಮಕ ಫಲಿತಾಂಶವು ರೋಗವನ್ನು ಹೊರತುಪಡಿಸುವುದಿಲ್ಲ" ಮತ್ತು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ದೃಢೀಕರಣದ ಅಗತ್ಯತೆಯ ಎಚ್ಚರಿಕೆಯನ್ನು ಸೇರಿಸಿ. ಔಟ್ಪುಟ್: [ಪಠ್ಯ]
ಮಾದರಿಯ ಪಾತ್ರ: ಕಾರ್ಯದ ಪ್ರಕಾರ
ಕಾರ್ಯ ಪ್ರಕಾರ
AI ಕೊಡುಗೆ
ವಿಮರ್ಶಾತ್ಮಕತೆ
ಪರಿಶೀಲನೆ
ಗೆಡ್ಡೆ ಪ್ರದೇಶದ ವಿಭಜನೆ
ಹೆಚ್ಚು
ಹೆಚ್ಚು
ರೋಗಶಾಸ್ತ್ರಜ್ಞ + ಬಾಹ್ಯ ಪರಿಶೀಲನೆ
ಮೈಟೋಸಿಸ್/ಸೆಲ್ ಎಣಿಕೆ
ಹೆಚ್ಚು
ಹೆಚ್ಚು
ರೋಗಶಾಸ್ತ್ರಜ್ಞ ದೃಢೀಕರಣ
ಮಾರ್ಕರ್ನ ಶೇಕಡಾವಾರು (ಕಿ-67)
ಹೆಚ್ಚು
ಮಧ್ಯಮ
ಉಲ್ಲೇಖ ಹೋಲಿಕೆ
ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ (ಗಮನ/ದೋಷ)
ಹೆಚ್ಚು
ಕಡಿಮೆ
ಸ್ಥಳ ಪರಿಶೀಲನೆ
ವರದಿ ಸಂರಚನೆ (ಪಠ್ಯ)
ಹೆಚ್ಚು
ಕಡಿಮೆ
ರೋಗಶಾಸ್ತ್ರಜ್ಞ ದೃಢೀಕರಣ
ಸಲಹೆ: ಡಿಜಿಟಲ್ ಪ್ಯಾಥೋಲಜಿಯಲ್ಲಿ ಮಾದರಿ ಪ್ರಸ್ತಾಪವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ, ಯಾವಾಗಲೂ ಕೇಳಿ: "ಯಾವ ಪ್ರಯೋಗಾಲಯಗಳ ಕಲೆಗಳು ಮತ್ತು ಸ್ಕ್ಯಾನರ್ಗಳಲ್ಲಿ ಈ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ನನ್ನ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಮೌಲ್ಯೀಕರಿಸಲಾಗಿದೆಯೇ?" ಉತ್ತರವು "ಇಲ್ಲ" ಆಗಿದ್ದರೆ, ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂಕಿಅಂಶಗಳು ನಿಮಗೆ ಇನ್ನೂ ಅನ್ವಯಿಸುವುದಿಲ್ಲ.
ಎಚ್ಚರಿಕೆ: "ಯಾವುದೇ ಗೆಡ್ಡೆ" ಎಂದು AI ಹೇಳುವುದರಿಂದ ಮಾದರಿಯಿಲ್ಲದ ಅಂಗಾಂಶದಲ್ಲಿ ಯಾವುದೇ ಗೆಡ್ಡೆ ಇಲ್ಲ ಎಂದು ಅರ್ಥವಲ್ಲ. ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ ನಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶವು ಮಾದರಿಯ ಗುಣಮಟ್ಟದಿಂದ ಸೀಮಿತವಾಗಿದೆ; ಮಾದರಿಯು ಈ ಮಿತಿಯನ್ನು ಮೀರುವಂತಿಲ್ಲ ಮತ್ತು ಋಣಾತ್ಮಕ ಫಲಿತಾಂಶವು ರೋಗನಿರ್ಣಯದ ಭರವಸೆಯಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಬಣ್ಣ/ಬಣ್ಣದ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುವುದು. ಫೀಲ್ಡ್ ಡ್ರಿಫ್ಟ್ ಡಿಜಿಟಲ್ ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ ವೈಫಲ್ಯಕ್ಕೆ ಸಾಮಾನ್ಯ ಕಾರಣವಾಗಿದೆ.
- ಒಂದು ಕೇಂದ್ರದಲ್ಲಿ ತರಬೇತಿ ನೀಡಿ ಮತ್ತು ಎಲ್ಲೆಡೆ ಬಳಸಿ. ವಿಭಿನ್ನ ಬ್ರೌಸರ್ ಮತ್ತು ಬಣ್ಣವು ಮೂಕ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅವನತಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
- ಭರವಸೆಗಾಗಿ ನಕಾರಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಮಾದರಿಯ ಮಿತಿಯನ್ನು ಮಾದರಿಯಿಂದ ಸರಿದೂಗಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
- ಇಂಟರ್ ಅಬ್ಸರ್ವರ್ ವ್ಯತ್ಯಾಸವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಉಲ್ಲೇಖ ಮಾನದಂಡವು ವೇರಿಯಬಲ್ ಆಗಿದ್ದರೆ ಮಾದರಿಯನ್ನು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು.
- ರೋಗಶಾಸ್ತ್ರಜ್ಞನನ್ನು ನಿರ್ಮೂಲನೆ ಮಾಡುವುದು. ಎಣಿಕೆ ಮತ್ತು ವಿಭಜನೆಯು ಬೆಂಬಲವಾಗಿದೆ; ರೋಗನಿರ್ಣಯ ಮತ್ತು ಶ್ರೇಣೀಕರಣವು ರೋಗಶಾಸ್ತ್ರಜ್ಞರೊಂದಿಗೆ ವಿಶ್ರಾಂತಿ ಪಡೆಯುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
- ಡಿಜಿಟಲ್ ರೋಗಶಾಸ್ತ್ರವು ಗಿಗಾಪಿಕ್ಸೆಲ್ WSI ಚಿತ್ರಗಳನ್ನು ಅಂಚುಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ವಿಶ್ಲೇಷಿಸುತ್ತದೆ; ಸೆಲ್ ಎಣಿಕೆ ಮತ್ತು ವಿಭಜನೆಯೊಂದಿಗೆ AI ಬೆಂಬಲಿಸುತ್ತದೆ.
- ಸ್ಟೈನಿಂಗ್/ಸ್ಕ್ಯಾನಿಂಗ್ ವ್ಯತ್ಯಾಸದಿಂದಾಗಿ ಫೀಲ್ಡ್ ಡ್ರಿಫ್ಟ್ ದೊಡ್ಡ ತಾಂತ್ರಿಕ ಬಲೆಯಾಗಿದೆ; ಬಣ್ಣ ಸಾಮಾನ್ಯೀಕರಣ ಮತ್ತು ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಅತ್ಯಗತ್ಯ.
- ಋಣಾತ್ಮಕ AI ಫಲಿತಾಂಶವು ಮಾದರಿ ಮಿತಿಯಿಂದ ಸೀಮಿತವಾಗಿದೆ ಮತ್ತು ರೋಗನಿರ್ಣಯದ ಭರವಸೆಯನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ.
- ರೆಫರೆನ್ಸ್ ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಮತ್ತು ಇಂಟರ್ ಅಬ್ಸರ್ವರ್ ವ್ಯತ್ಯಾಸವು ಮಾದರಿ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಸಂದರ್ಭವಾಗಿದೆ.
- ರೋಗನಿರ್ಣಯ, ಹಂತ ಮತ್ತು ಶ್ರೇಣೀಕರಣವು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ; AI ರೋಗನಿರ್ಣಯ ಮಾಡುವುದಿಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಕಾಲ್ಪನಿಕ ಡಿಜಿಟಲ್ ರೋಗಶಾಸ್ತ್ರದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಕಿ-67 ಶೇಕಡಾವಾರು ಲೆಕ್ಕಾಚಾರ). ಈ ಮಾದರಿಗಾಗಿ ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಯೋಜನೆಯನ್ನು ಬರೆಯಿರಿ: ಯಾವ ಲ್ಯಾಬ್ಗಳಿಂದ ಎಷ್ಟು ಸ್ಲೈಡ್ಗಳು, ಯಾವ ಬಣ್ಣ ಸಾಮಾನ್ಯೀಕರಣ, ನೀವು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಒಪ್ಪಂದವನ್ನು ಹೇಗೆ ಅಳೆಯುತ್ತೀರಿ ಮತ್ತು ನೀವು ಫೀಲ್ಡ್ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸುತ್ತೀರಿ. ನಂತರ ಮಾದರಿಯ ಋಣಾತ್ಮಕ/ಧನಾತ್ಮಕ ಔಟ್ಪುಟ್ಗೆ ಸೇರಿಸಬೇಕಾದ ನಿರ್ಬಂಧದ ಎಚ್ಚರಿಕೆಯನ್ನು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] WSI ವರ್ಕ್ಫ್ಲೋನ ಸ್ಕ್ಯಾನಿಂಗ್, ಟೈಲಿಂಗ್, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಸಂಯೋಜನೆಯ ಹಂತಗಳು ನನಗೆ ತಿಳಿದಿದೆ.
- [ ] ಪೇಂಟ್/ಸ್ಕ್ಯಾನ್ ವ್ಯತ್ಯಾಸವು ಫೀಲ್ಡ್ ಡ್ರಿಫ್ಟ್ಗೆ ಹೇಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಾನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ.
- [ ] ಋಣಾತ್ಮಕ AI ಫಲಿತಾಂಶವು ಮಾದರಿ ಮಿತಿಯಿಂದ ಸೀಮಿತವಾಗಿದೆ ಎಂದು ನಾನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ರೋಗಶಾಸ್ತ್ರಜ್ಞ ಒಪ್ಪಂದದ (ಕಪ್ಪಾ) ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸಬಹುದು.
- [ ] ರೋಗನಿರ್ಣಯ ಮತ್ತು ಶ್ರೇಣೀಕರಣದ ನಿರ್ಧಾರವು ರೋಗಶಾಸ್ತ್ರಜ್ಞರ ಬಳಿ ಉಳಿದಿದೆ ಎಂದು ನಾನು ಆಂತರಿಕಗೊಳಿಸಿದ್ದೇನೆ.