Ieguvumi:
- Spēja izskaidrot AI atbalstu šūnu skaitīšanai, segmentēšanai un vērtēšanai visa slaidu attēla (WSI) darbplūsmā
- Spēja atpazīt krāsošanas un skenēšanas mainīguma ietekmi uz modeļa veiktspēju un domēna maiņu
- Spēja apstiprināt patoloģijas AI rezultātus ar atsauces standartu, paraugu ņemšanu un patologa apstiprinājumu
Patoloģija ir medicīnas nozare, kurā slimību nosaka, izmeklējot audu paraugu mikroskopā; Šeit tiek noteikts daudzu vēža diagnožu "zelta standarts". Digitālā patoloģija ir krāsotas audu daļas digitalizācija uz stikla priekšmetstikliņa ar augstas izšķirtspējas skeneri. Iegūtais fails tiek saukts par veselu slaidu attēlu (saīsinājumā WSI); Viens slaids var būt milzīgs attēls ar gigapikseļu izmēru, tas ir, miljardiem pikseļu. Mākslīgais intelekts atbalsta šūnu skaitīšanu, reģionu segmentāciju un vērtēšanu šajos milzīgajos attēlos. Šajā nodaļā mēs redzēsim WSI darbplūsmu, tās lielāko tehnisko kļūmi: krāsošanas/skenēšanas mainīgumu un to, kāpēc patologa apstiprinājums ir būtisks.
No sākuma konstatēsim: mākslīgais intelekts var būt skaitītājs, provizoriskais skeneris un otrā acs patoloģijā; Bet vēža diagnozes, stadijas un klasifikācijas lēmumi pieder patologam. Modelis neveic diagnozi.
WSI darbplūsmas soļi
1. posms — pārbaude un kvalitātes kontrole. Stikla priekšmetstikls tiek skenēts; Tādus defektus kā defokuss, locījuma pēdas un gaisa burbuļi var noteikt automātiski. Sliktas kvalitātes skenējumiem vispār nevajadzētu iekļūt modelī.
2. solis — flīžu (plākstera) noņemšana. Gigapikseļu attēlu nevar apstrādāt tieši; ir sadalīts mazos kvadrātos (angļu ielāps, parasti 256x256 vai 512x512 pikseļi). Modelis novērtē katru flīzi atsevišķi, pēc tam rezultāti tiek apvienoti.
3. darbība. Audu/šūnu analīze. Modelis; Tā veic tādus uzdevumus kā audzēja vietas segmentācija, mitozes (dalīšanās šūnu) skaitīšana, kodola blīvuma noteikšana vai marķiera (piemēram, Ki-67 krāsošanas ātruma) aprēķināšana. Izvade ir skaitlisks mērījums vai siltuma karte.
4. solis — konsolidācija un ziņošana. Flīžu rezultāti tiek apvienoti slaidu līmenī; Tiek izveidots kopsavilkums, piemēram, "audzēja platības procents" vai "mitozes skaits".
5. solis — patologa novērtējums. Patologs pārbauda ar modeli iezīmētos reģionus un skaita; pieņem, labo vai noraida. Diagnozi un klasifikāciju nosaka patologs.
Lielākā kļūme: krāsošanas un skenēšanas mainīgums
Audu sekcijas parasti iekrāso ar H&E (hematoksilīnu un eozīnu; standarta krāsvielu, kas krāso kodolus zili violetā krāsā un citoplazmu rozā krāsā). Bet krāsošanas intensitāte ievērojami atšķiras atkarībā no laboratorijas, traipu partijas, sekcijas biezuma un skenera zīmola. Cilvēka acs viegli pielāgojas šīm atšķirībām; Modelis var nebūt saderīgs.
Ja modelis ir iemācījies, pamatojoties uz A laboratorijas rozā purpursarkanajiem toņiem, tā veiktspēja samazināsies uz bālāku vai tumšāku laboratorijas B krāsojumu. Šo parādību sauc par domēna maiņu, un tā ir visizplatītākais neveiksmju cēlonis digitālajā patoloģijā. Risinājuma pieejas: krāsu normalizācija (attēlu pārvietošana kopējā krāsu telpā), daudzcentru apmācības dati un — pats galvenais — ārēja validācija katrā izmantojamajā laboratorijā.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — konsekvence mitozes skaitā. Mitotiskā skaitīšana krūts vēža klasifikācijā ir svarīga, taču darbietilpīga un mainīga no novērotāja līdz novērotājam. Provizoriskā skaitīšana ar mākslīgā intelekta palīdzību vienā laboratorijā, vienošanās (kappa) starp diviem patologiem palielinājās no 0,55 līdz 0,71, un skaitīšanas laiks vienam priekšmetstiklinam samazinājās no 4 minūtēm līdz 1,5 minūtēm. Tomēr katru galīgo skaitu apstiprināja patologs; Modelis ieteica, patologs nolēma.
2. gadījums — lauka maiņas trāpījums. Laboratorijā, kurā tika izstrādāts audzēja segmentācijas modelis, tas darbojās pareizi 93% laika. Tas pats modelis partnera laboratorijā sistemātiski pārvērtēja audzēja laukumu par 20%, izmantojot citu skeneri un krāsvielu. Pēc krāsu normalizēšanas un atkārtotas apstiprināšanas ar 200 priekšmetstikliņiem no šīs laboratorijas atšķirība samazinājās līdz pieņemamam līmenim.
3. gadījums — izlases kļūda. Viens modelis teica "nē" audzējs uz priekšmetstikliņa; tomēr modelis novērtēja tikai skenēto zonu, un audzējs atradās neatlasītā sadaļā. Patoloģijas diagnostika ir tikpat laba kā priekšmetstikliņu atlase un paraugu ņemšana; AI "negatīvā" izvade nekompensē nepietiekamu iztveršanu. Tāpēc negatīvs AI rezultāts vien nekad nenozīmē "nav slimības".
Vāja uzvedne / spēcīga uzvedne
Piezīme. Šīs uzvednes ir paredzētas patoloģijas pārskata un darbplūsmas teksta konfigurēšanai; Audu attēla diagnostika ir pārbaudītas programmatūras un patologu darbs.
Vāja uzvedne:
Vai saskaņā ar šo patoloģijas ziņojumu ir vēzis? [ziņojums]
Spēcīga uzvedne:
Jūsu loma: Jūs esat patoloģijas ziņojuma strukturēšanas asistents (JUMS NAV DIAGNOZE). Strukturējiet šādu anonīmo patoloģijas ziņojumu: - norādiet parauga veidu, krāsojumu, audzēja veidu/pakāpi, ķirurģisko robežu, marķierus. - Neaizmirstiet neskaidro formulējumu ("ieteicama netipiska, klīniska korelācija"). - Nepievienojiet nekādus atradumus, kas nav tekstā; trūkstošajā laukā ierakstiet “neprecizēts”.- Visbeidzot uzskaitiet 3 punktus, kas patologam jāapstiprina.Anonīms ziņojums:[teksts]
Četras kopējamas veidnes
1) Ziņojuma standartizācija:
Atzīmējiet šo anonīmo patoloģijas ziņojumu strukturētos laukos (orgāns, diagnoze, pakāpe, rezerve, marķiera procenti). Pieturieties pie teksta. Ziņojums: [teksts]
2) Tokena konsekvences pārbaude:
Uzskaitiet visus procentuālos un skaitliskos marķierus (Ki-67, ER, PR, HER2), kas minēti šajā ziņojumā; Atzīmējiet vērtības, kas ir pretrunā viena ar otru vai ar diagnozi. Ziņojums: [teksts]
3) Modeļa validācijas plāns (digitālā patoloģija):
Uzrakstiet WSI segmentācijas modeļa validācijas plāna projektu: krāsu normalizācija, daudzcentru ārējā validācija, patologa vienošanās (kappa), lauka maiņas pārbaude. Atzīmējiet patologa validācijas punktus atsevišķi.
4) Paraugu ņemšanas brīdinājuma pievienošana:
Pievienojiet tālāk norādītajam negatīvajam AI rezultātam brīdinājumu, ka "paraugu ņemšana var būt ierobežota, negatīvs rezultāts neizslēdz slimību" un prasību pēc patologa apstiprinājuma. Izvade: [teksts]
Modeļa loma: pēc uzdevuma veida
Uzdevuma veids
AI ieguldījums
kritiskums
verifikācija
Audzēja reģiona segmentācija
augsts
augsts
Patologs + ārējā pārbaude
Mitoze/šūnu skaits
augsts
augsts
Patologa apstiprinājums
Marķiera procentuālā daļa (Ki-67)
augsts
vidējs
Atsauces salīdzinājums
Kvalitātes kontrole (fokuss/defekts)
augsts
zems
pārbaude uz vietas
Pārskata konfigurācija (teksts)
augsts
zems
Patologa apstiprinājums
Padoms. Izvērtējot modeļa piedāvājumu digitālajā patoloģijā, vienmēr jautājiet: "Kādu laboratoriju traipiem un skeneriem šis modelis ir apmācīts un vai tas ir apstiprināts manā laboratorijā?" Ja atbilde ir "nē", veiktspējas rādītāji uz jums vēl neattiecas.
Uzmanību: tas, ka AI saka "nav audzēja", nenozīmē, ka neatņemtajos audos nav audzēja. Negatīvu patoloģijas rezultātu ierobežo paraugu ņemšanas kvalitāte; modelis nevar pārsniegt šo robežu, un negatīvs rezultāts nav diagnostikas garantija.
Biežas kļūdas
- Krāsu/krāsu mainīguma nenovērtēšana. Lauka novirze ir visizplatītākais neveiksmju cēlonis digitālajā patoloģijā.
- Trenējieties vienā centrā un izmantojiet visur. Dažādas pārlūkprogrammas un krāsas rada klusu veiktspējas pasliktināšanos.
- Negatīva rezultāta kļūdaina pārliecības iegūšana. Modelis nevar kompensēt paraugu ņemšanas ierobežojumu.
- Interobserver mainīguma ignorēšana. Modelis attiecīgi jānovērtē, ja pats atsauces standarts ir mainīgs.
- Patologa likvidēšana. Skaitīšana un segmentēšana ir atbalsts; Diagnostikas un klasifikācijas atpūta pie patologa.
Rezumējot
- Digitālā patoloģija analizē gigapikseļu WSI attēlus, sadalot tos flīzēs; AI atbalsta šūnu skaitīšanu un segmentēšanu.
- Lielākais tehniskais slazds ir lauka novirze krāsošanas/skenēšanas mainīguma dēļ; krāsu normalizācija un ārēja validācija ir būtiska.
- Negatīvu AI rezultātu ierobežo paraugu ņemšanas ierobežojums, un tas nenodrošina diagnostisko pārliecību.
- Modeļa novērtēšanas konteksts ir atsauces standarts un starpnovērošanas mainīgums.
- Diagnostika, stadijas noteikšana un klasifikācija ir patologa pienākums; AI neveic diagnozi.
Lietojumprogrammas uzdevums
Atlasiet hipotētisku digitālās patoloģijas modeli (piem., Ki-67 procentu aprēķins). Uzrakstiet šim modelim ārējo validācijas plānu: cik slaidu no kurām laboratorijām, kāda krāsu normalizācija, kā mērīsit patologa vienošanos un kā pārbaudīsit lauka novirzi. Pēc tam vienā teikumā ierakstiet ierobežojuma brīdinājumu, kas jāpievieno modeļa negatīvajai/pozitīvajai izvadei.
kontrolsaraksts
- [ ] Es zinu WSI darbplūsmas skenēšanas, flīžu veidošanas, analīzes un kompozīciju darbības.
- [ ] Es saprotu, kā krāsas/skenēšanas mainīgums izraisa lauka novirzi un kā tas tiek pārvaldīts.
- [ ] Es saprotu, ka negatīvo AI rezultātu ierobežo izlases ierobežojums.
- [ ] Es varu izmantot ārējās validācijas un patologa vienošanās (kappa) jēdzienus.
- [ ] Esmu sapratis, ka diagnozi un lēmumu par klasifikāciju pieņem patologs.