이득:
- 전체 슬라이드 이미지(WSI) 워크플로우에서 AI의 셀 계산, 분할 및 등급 지정에 대한 지원을 설명하는 능력
- 모델 성능 및 도메인 이동에 대한 페인팅 및 스캐닝 가변성의 영향을 인식하는 능력
- 참조 표준, 샘플링 및 병리학자 승인을 통해 병리학 AI 출력을 검증하는 기능
병리학은 현미경으로 조직 샘플을 검사하여 질병을 식별하는 의학 분야입니다. 많은 암 진단의 "최적 표준"이 여기에서 만들어집니다. 디지털 병리학은 고해상도 스캐너를 사용하여 유리 슬라이드에 염색된 조직 단면을 디지털화하는 것입니다. 결과 파일을 전체 슬라이드 이미지(간단히 WSI)라고 합니다. 하나의 슬라이드는 기가픽셀 크기, 즉 수십억 픽셀의 거대한 이미지가 될 수 있습니다. 인공 지능은 이러한 거대한 이미지에서 셀 계산, 영역 분할 및 등급 지정을 지원합니다. 이 단원에서는 WSI 작업흐름, 가장 큰 기술적 함정인 염색/스캐닝 가변성과 병리의사의 승인이 필수적인 이유를 살펴보겠습니다.
처음부터 말해보자: 인공 지능은 병리학의 카운터, 예비 스캐너 및 두 번째 눈이 될 수 있습니다. 그러나 암 진단, 병기 결정 및 등급 결정은 병리학자의 몫입니다. 모델은 진단하지 않습니다.
WSI 워크플로우 단계
1단계 - 선별 및 품질 관리. 유리 슬라이드가 스캔됩니다. 초점 흐림, 접힌 자국, 기포 등의 결함을 자동으로 감지할 수 있습니다. 품질이 낮은 스캔은 모델에 전혀 입력되어서는 안 됩니다.
2단계 - 타일(패치) 제거. 기가픽셀 이미지는 직접 처리할 수 없습니다. 작은 정사각형(영어 패치, 일반적으로 256x256 또는 512x512픽셀)으로 나뉩니다. 모델은 각 타일을 개별적으로 평가한 다음 결과를 결합합니다.
3단계 - 조직/세포 분석. 모델; 종양 부위 분할, 유사분열(세포 분열) 계산, 핵 밀도 또는 마커 계산(예: Ki-67 염색 속도)과 같은 작업을 수행합니다. 출력은 수치 측정값 또는 히트 맵입니다.
4단계 — 통합 및 보고. 타일 결과는 슬라이드 수준에서 결합됩니다. 예를 들어 "종양 면적의 백분율" 또는 "유사분열 수"와 같은 요약이 생성됩니다.
5단계 - 병리학자 평가. 병리학자는 모델에 표시된 영역과 개수를 검사합니다. 수락, 수정 또는 거부합니다. 진단과 등급은 병리학자의 몫입니다.
가장 큰 함정: 염색 및 스캐닝의 다양성
조직 절편은 일반적으로 H&E(헤마톡실린과 에오신, 핵 청자색과 세포질을 분홍색으로 염색하는 표준 염료)로 염색됩니다. 그러나 염색 강도는 실험실, 염색 배치, 단면 두께 및 스캐너 브랜드에 따라 크게 다릅니다. 인간의 눈은 이러한 차이에 쉽게 적응합니다. 모델이 호환되지 않을 수 있습니다.
모델이 실험실 A의 분홍색-보라색 톤을 기반으로 학습한 경우 실험실 B의 염색이 더 옅거나 더 어두울수록 성능이 저하됩니다. 이 현상을 도메인 이동이라고 하며 디지털 병리학에서 실패의 가장 일반적인 원인입니다. 솔루션 접근 방식: 색상 정규화(이미지를 공통 색상 공간으로 이동), 다기관 교육 데이터, 그리고 가장 중요한 것은 사용할 각 실험실의 외부 검증입니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 — 유사분열 수의 일관성. 유방암 등급에서 유사분열 계산은 중요하지만 힘들고 관찰자마다 다양합니다. 한 실험실에서 AI를 활용한 예비 계산, 두 병리학자 간의 일치도(kappa)가 0.55에서 0.71로 증가하고 슬라이드당 계산 시간이 4분에서 1.5분으로 감소했습니다. 그러나 각 최종 수치는 병리학자에 의해 확인되었습니다. 모델이 제안했다고 병리학자는 결정했습니다.
사례 2 - 현장 이동 히트. 종양 분할 모델을 개발한 실험실에서는 93%의 시간 동안 올바르게 작동했습니다. 동일한 모델은 다른 스캐너와 염료를 사용하여 파트너 실험실에서 종양 영역을 체계적으로 20% 과대평가했습니다. 해당 실험실에서 200개의 슬라이드를 사용하여 색상 정규화 및 재검증을 한 후 차이가 허용 가능한 수준으로 감소했습니다.
사례 3 - 샘플링 오류. 한 모델은 슬라이드에서 종양이 "아니요"라고 말했습니다. 그러나 모델은 스캔된 영역만 평가했으며 종양은 샘플링되지 않은 섹션에 있었습니다. 병리학 진단은 슬라이드 선택 및 샘플링만큼 좋습니다. AI "음수" 출력은 언더샘플링을 보상하지 않습니다. 그렇기 때문에 부정적인 AI 결과만으로는 "질병 없음"을 의미하지 않습니다.
약한 프롬프트 / 강한 프롬프트
참고: 다음 프롬프트는 병리학 보고서 및 작업 흐름 텍스트를 구성하기 위한 것입니다. 조직 영상 진단은 검증된 소프트웨어와 병리학자의 작업입니다.
약한 프롬프트:
이 병리학 보고서에 따르면 암이 있습니까? [보고]
강력한 프롬프트:
귀하의 역할: 귀하는 병리학 보고서 구성 보조자입니다(진단이 아닙니다). 다음과 같은 익명의 병리학 보고서를 구성하십시오. - 검체 유형, 염색, 종양 유형/등급, 수술 마진, 마커를 표로 작성하십시오. - 모호한 문구("비정형, 임상 상관관계 권장")를 그대로 유지하십시오. - 본문에 없는 결과는 추가하지 마십시오. 누락된 항목에 '지정되지 않음'이라고 기재합니다. - 마지막으로 병리학자가 확인해야 할 3가지 사항을 나열합니다. 익명 보고서:[text]
복사 가능한 템플릿 4개
1) 보고서 표준화:
다음 익명 병리학 보고서를 구조화된 필드(장기, 진단, 등급, 마진, 마커 백분율)에 표시합니다. 텍스트에 충실하십시오. 보고서: [텍스트]
2) 토큰 일관성 확인:
이 보고서에 언급된 모든 백분율 및 숫자 마커(Ki-67, ER, PR, HER2)를 나열하십시오. 서로 충돌하거나 진단과 충돌하는 값을 표시합니다. 보고서: [텍스트]
3) 모델 검증 계획(수지병리학):
색상 정규화, 다기관 외부 검증, 병리학자 동의(카파), 현장 교대 테스트 등 WSI 분할 모델에 대한 검증 계획 초안을 작성합니다. 병리학자의 검증 포인트를 별도로 표시합니다.
4) 샘플링 경고 추가:
다음의 음성 AI 결과에 "샘플링이 제한될 수 있으며 음성 결과가 질병을 배제하지 않는다"는 경고와 병리학자 확인 요구 사항을 추가합니다. 출력: [텍스트]
모델의 역할: 작업 유형별
작업 유형
AI 기여
임계성
확인
종양 부위 세분화
높다
높다
병리학자 + 외부 검증
유사분열/세포수
높다
높다
병리학자 확인
마커 백분율(Ki-67)
높다
중간
참고 비교
품질관리(초점/결함)
높다
낮음
즉석 확인
보고서 구성(텍스트)
높다
낮음
병리학자 확인
팁: 디지털 병리학에서 모델 제안을 평가할 때 항상 다음과 같이 질문하십시오. "이 모델은 어느 실험실의 염색 및 스캐너에 대해 교육을 받았고 내 실험실에서 검증되었습니까?" 대답이 "아니요"인 경우 성과 수치가 아직 귀하에게 적용되지 않습니다.
주의: AI가 "종양 없음"이라고 한다고 해서 샘플링되지 않은 조직에 종양이 없다는 의미는 아닙니다. 병리학의 부정적인 결과는 샘플링 품질에 의해 제한됩니다. 패턴은 이 제한을 초과할 수 없으며 부정적인 결과는 진단 보증이 아닙니다.
일반적인 실수
- 색상/염료 다양성을 과소평가합니다. 필드 드리프트는 디지털 병리학 실패의 가장 일반적인 원인입니다.
- 한 센터에서 훈련하고 어디에서나 사용할 수 있습니다. 브라우저와 색상이 다르면 성능이 자동으로 저하됩니다.
- 확신을 위해 부정적인 결과를 착각합니다. 샘플링 한계는 모델에 의해 보상될 수 없습니다.
- 관찰자 간 변동성을 무시합니다. 참조 표준 자체가 가변적이라면 그에 따라 모델을 평가해야 합니다.
- 병리학자를 제거합니다. 계산 및 세분화가 지원됩니다. 진단 및 등급 결정은 병리학자의 몫입니다.
요약하면
- 디지털 병리학은 기가픽셀 WSI 이미지를 타일로 나누어 분석합니다. AI는 셀 계산 및 분할을 지원합니다.
- 가장 큰 기술적 함정은 염색/스캐닝 가변성으로 인한 필드 드리프트입니다. 색상 정규화 및 외부 검증이 필수적입니다.
- 부정적인 AI 결과는 샘플링 한도로 제한되며 진단 보증을 제공하지 않습니다.
- 참조 표준과 관찰자 간 변동성은 모델 평가의 맥락입니다.
- 진단, 병기 결정 및 등급 분류는 병리학자의 책임입니다. AI는 진단하지 않는다.
응용과제
가상의 디지털 병리학 모델을 선택합니다(예: Ki-67 백분율 계산). 이 모델에 대한 외부 검증 계획을 작성하십시오. 어느 실험실에서 가져온 슬라이드 수, 색상 정규화, 병리학자의 동의를 측정하는 방법, 필드 드리프트를 테스트하는 방법 등이 있습니다. 그런 다음 모델의 부정적/긍정적 출력에 추가되어야 하는 제약 경고를 한 문장으로 작성합니다.
체크리스트
- [ ] 나는 WSI 워크플로우의 스캐닝, 타일링, 분석 및 합성 단계를 알고 있습니다.
- [ ] 페인트/스캔 변동으로 인해 필드 드리프트가 발생하는 방식과 이를 관리하는 방식을 이해합니다.
- [ ] 음성 AI 결과는 샘플링 한도에 따라 제한된다는 점을 이해합니다.
- [ ] 나는 외부 검증과 병리학자 동의(카파)의 개념을 사용할 수 있습니다.
- [ ] 나는 진단과 등급 결정이 병리의사에게 있다는 것을 내면화했습니다.