Добивки:
- Способност да се објасни поддршката на вештачката интелигенција за броење, сегментација и оценување ќелии во работниот тек на цела слика на слајд (WSI)
- Способност да се препознае ефектот на варијабилноста на сликањето и скенирањето врз перформансите на моделот и промената на доменот
- Способност да се валидираат излезите на ВИ за патологија со референтен стандард, земање примероци и одобрение од патолог
Патологијата е гранка на медицината во која болеста се идентификува со испитување на примерок од ткиво под микроскоп; „Златниот стандард“ на многу дијагнози на рак е направен овде. Дигитална патологија е дигитализација на дел од обоено ткиво на стаклен слајд со скенер со висока резолуција. Добиената датотека се нарекува цела слика на слајд (накратко WSI); Еден слајд може да биде џиновска слика со големина на гигапиксели, односно милијарди пиксели. Вештачката интелигенција поддржува броење ќелии, сегментација на регионот и оценување на овие огромни слики. Во оваа единица ќе го видиме работниот тек на WSI, неговата најголема техничка замка: варијабилност на боење/скенирање и зошто е неопходно одобрението од патолог.
Од почеток да констатираме: вештачката интелигенција може да биде бројач, прелиминарен скенер и второ око во патологијата; Но, дијагностиката на ракот, стадиумот и одлуките за оценување му припаѓаат на патологот. The model does not diagnose.
Чекори на работниот тек на WSI
Чекор 1 - Скрининг и контрола на квалитетот. Стаклениот тобоган се скенира; Дефектите како дефокусирање, ознаки на превиткување и воздушни меури може да се откријат автоматски. Скенирањето со слаб квалитет воопшто не треба да влезе во моделот.
Чекор 2 - Отстранување на плочка (лепенка). Сликата со гигапиксели не може директно да се обработи; е поделена на мали квадрати (англиски лепенка, обично 256x256 или 512x512 пиксели). Моделот ја оценува секоја плочка посебно, а потоа резултатите се комбинираат.
Чекор 3 - Анализа на ткиво/клетка. Модел; Извршува задачи како што се сегментација на местото на туморот, броење на митоза (клетката на делење), нуклеарна густина или пресметка на маркер (на пр. стапка на боење Ки-67). Излезот е нумеричко мерење или топлинска карта.
Чекор 4 - Консолидација и известување. Резултатите од плочката се комбинираат на ниво на слајд; Се произведува резиме, на пример, „процент од областа на туморот“ или „број на митот“.
Чекор 5 - Евалуација од патолог. Патологот ги испитува регионите и ги брои означените со моделот; прифаќа, поправа или отфрла. Дијагнозата и оценувањето зависи од патологот.
Најголемата замка: варијабилност на боење и скенирање
Ткивните делови обично се обоени со H&E (хематоксилин и еозин; стандардна боја што ги обојува јадрата сино-виолетова и цитоплазмата во розова боја). But staining intensity varies markedly by laboratory, stain batch, section thickness, and scanner brand. Човечкото око лесно се прилагодува на овие разлики; Моделот може да не е компатибилен.
Ако моделот научил врз основа на розово-виолетовите тонови на лабораторијата А, неговите перформанси ќе се намалат при побледо или потемно обојување на лабораторијата Б. Овој феномен се нарекува промена на доменот и е најчеста причина за неуспех во дигиталната патологија. Пристапи за решение: нормализација на бојата (преместување слики во заеднички простор во боја), мултицентрични податоци за обука и - што е најважно - надворешна валидација во секоја лабораторија што ќе се користи.
Три мини случаи: според бројките
Случај 1 - Конзистентност во митотичниот број. Mitotic counting in breast cancer grading is important but laborious and variable from observer to observer. Прелиминарното броење со помош на вештачка интелигенција во една лабораторија, договорот (капа) помеѓу двајца патолози се зголеми од 0,55 на 0,71, а времето на броење по слајд се намали од 4 минути на 1,5 минути. Сепак, секое финално броење беше потврдено од патологот; Манекенката предложи, одлучи патологот.
Случај 2 - Погодок за поместување на теренот. In the laboratory that developed a tumor segmentation model, it was working correctly 93% of the time. Истиот модел систематски ја преценувал областа на туморот за 20% во партнерската лабораторија користејќи различен скенер и боја. По нормализација на бојата и ревалидација со 200 слајдови од таа лабораторија, разликата се намали на прифатливо ниво.
Случај 3 - Заблуда при земање примероци. Еден модел рече „не“ тумор на слајд; сепак, моделот ја процени само скенираната област и туморот беше во дел без примерок. Дијагнозата на патологија е добра како и изборот на слајдови и земање примероци; „Негативниот“ излез на вештачката интелигенција не компензира за недоволно земање примероци. Затоа, само негативниот резултат на ВИ никогаш не значи „без болест“.
Слаба навестување / Силен навестување
Забелешка: Следниве инструкции се за конфигурирање на извештајот за патологија и текстот на работниот тек; Дијагнозата на ткивна слика е дело на проверен софтвер и патолози.
Слаба навестување:
Според овој патолошки извештај, дали има рак? [извештај]
Моќен потсетник:
Вашата улога: Вие сте помошник за структурирање на извештајот за патологија (НЕ СТЕ ДИЈАГНОЗА). Структурирајте го следниов анонимен извештај за патологија: - Табела за типот на примерокот, боење, тип/степен тумор, хируршка граница, маркери. напишете „неодредено“ во полето што недостасува.- На крајот, наведете 3 точки што треба да ги потврди патологот. Анонимен извештај:[текст]
Четири шаблони за копирање
1) Извештај за стандардизација:
Подгответе го следниов анонимен извештај за патологија во структурирани полиња (орган, дијагноза, степен, маргина, проценти на маркери). Држете се до текстот. Извештај: [текст]
2) Проверка на конзистентноста на токен:
Наведете ги сите процентуални и нумерички маркери (Ki-67, ER, PR, HER2) споменати во овој извештај; Означете ги вредностите кои се во конфликт една со друга или со дијагнозата. Извештај: [текст]
3) План за валидација на модел (дигитална патологија):
Напишете нацрт-план за валидација за модел на сегментација WSI: нормализација на бојата, мултицентрична надворешна валидација, договор со патолог (капа), тестирање за поместување на теренот. Одделно означете ги точките за валидација на патологот.
4) Додавање предупредување за земање примероци:
На следниот негативен резултат на вештачката интелигенција додадете го предупредувањето дека „земањето мостри може да биде ограничено, негативниот резултат не ја исклучува болеста“ и барањето за потврда од патолог. Излез: [текст]
Улога на моделот: по тип на задача
Тип на задача
Придонес за вештачка интелигенција
критичност
верификација
Сегментација на туморскиот регион
високо
високо
Патолог + надворешна верификација
Митоза/број на клетки
високо
високо
Потврда од патолог
Процент на маркер (Ki-67)
високо
средно
Референтна споредба
Контрола на квалитет (фокус/дефект)
високо
низок
проверка на место
Извештај за конфигурација (текст)
високо
низок
Потврда од патолог
Совет: Кога оценувате предлог модел во дигиталната патологија, секогаш прашувајте: "На кои лабораториски дамки и скенери е обучен овој модел и дали е потврден во мојата лабораторија?" Ако одговорот е „не“, бројките за изведба сè уште не важат за вас.
Внимание: Само затоа што вештачката интелигенција вели „нема тумор“ не значи дека нема тумор во ткивото без примерок. Негативниот резултат во патологијата е ограничен со квалитетот на земање мостри; шемата не може да ја надмине оваа граница и негативниот резултат не е дијагностичко осигурување.
Вообичаени грешки
- Потценување на варијабилноста на боја/боја. Полета на полето е најчеста причина за неуспех во дигиталната патологија.
- Тренирајте во еден центар и користете секаде. Различните прелистувачи и бои создаваат тивко влошување на перформансите.
- Грешка на негативниот резултат за уверување. Ограничувањето на земање примероци не може да се компензира со моделот.
- Игнорирање на варијабилноста на меѓунабљудувачите. Моделот треба да се оценува соодветно ако самиот референтен стандард е променлив.
- Елиминирање на патологот. Броењето и сегментацијата се поддршка; Дијагноза и оценување одмор со патологот.
Сумирано
- Дигиталната патологија ги анализира WSI сликите со гигапиксели со нивно делење на плочки; Вештачката интелигенција поддржува со броење и сегментација на ќелии.
- Најголемата техничка замка е полевањето на теренот поради варијабилноста на боење/скенирање; нормализацијата на бојата и надворешната валидација се од суштинско значење.
- Негативниот резултат на вештачката интелигенција е ограничен со границата за земање примероци и не обезбедува дијагностичко уверување.
- Референтниот стандард и варијабилноста на меѓунабљудувачите се контекст за евалуација на моделот.
- Дијагнозата, стадиумот и оценувањето се одговорност на патологот; ВИ не дијагностицира.
Задача за апликација
Изберете хипотетички модел на дигитална патологија (на пр. процентуална пресметка Ки-67). Напишете надворешен план за валидација за овој модел: колку слајдови од кои лаборатории, каква нормализирање на бојата, како ќе ја измерите согласноста на патологот и како ќе го тестирате полетното поле. Потоа напишете го во една реченица предупредувањето за ограничување што треба да се додаде на негативниот/позитивниот излез на моделот.
листа за проверка
- [ ] Ги знам чекорите за скенирање, поставување плочки, анализа и составување на работниот тек на WSI.
- [ ] Разбирам како варијабилноста на бојата/скенирањето предизвикува поместување на полето и како се управува со тоа.
- [ ] Разбирам дека негативниот резултат на вештачката интелигенција е ограничен со границата за земање примероци.
- [ ] Можам да ги користам концептите на надворешна валидација и договор со патолог (капа).
- [ ] Интернализирав дека дијагнозата и одлуката за оценување остануваат кај патологот.