ഡിജിറ്റൽ പാത്തോളജിയും ടിഷ്യു ഇമേജ് അനാലിസിസും

നേട്ടങ്ങൾ:

• ഒരു മുഴുവൻ സ്ലൈഡ് ഇമേജ് (WSI) വർക്ക്ഫ്ലോയിൽ സെൽ കൗണ്ടിംഗ്, സെഗ്മെൻ്റേഷൻ, ഗ്രേഡിംഗ് എന്നിവയ്ക്കുള്ള AI-യുടെ പിന്തുണ വിശദീകരിക്കാനുള്ള കഴിവ്
• മോഡൽ പ്രകടനത്തിലും ഡൊമെയ്ൻ ഷിഫ്റ്റിലും പെയിൻ്റിംഗിൻ്റെയും സ്കാനിംഗ് വേരിയബിലിറ്റിയുടെയും പ്രഭാവം തിരിച്ചറിയാനുള്ള കഴിവ്
• റഫറൻസ് സ്റ്റാൻഡേർഡ്, സാമ്പിൾ, പാത്തോളജിസ്റ്റ് അംഗീകാരം എന്നിവ ഉപയോഗിച്ച് പാത്തോളജി AI ഔട്ട്പുട്ടുകൾ സാധൂകരിക്കാനുള്ള കഴിവ്

സൂക്ഷ്മദർശിനിയിൽ ഒരു ടിഷ്യു സാമ്പിൾ പരിശോധിച്ച് രോഗം തിരിച്ചറിയുന്ന വൈദ്യശാസ്ത്ര ശാഖയാണ് പാത്തോളജി; പല കാൻസർ രോഗനിർണ്ണയങ്ങളുടെയും "ഗോൾഡ് സ്റ്റാൻഡേർഡ്" ഇവിടെയാണ് നിർമ്മിച്ചിരിക്കുന്നത്. ഉയർന്ന റെസല്യൂഷൻ സ്കാനർ ഉപയോഗിച്ച് ഒരു ഗ്ലാസ് സ്ലൈഡിൽ സ്റ്റെയിൻഡ് ടിഷ്യു വിഭാഗത്തിൻ്റെ ഡിജിറ്റലൈസേഷനാണ് ഡിജിറ്റൽ പാത്തോളജി. തത്ഫലമായുണ്ടാകുന്ന ഫയലിനെ പൂർണ്ണ സ്ലൈഡ് ഇമേജ് എന്ന് വിളിക്കുന്നു (ചുരുക്കത്തിൽ WSI); ഒരൊറ്റ സ്ലൈഡ് ഗിഗാപിക്സൽ വലുപ്പമുള്ള, അതായത് കോടിക്കണക്കിന് പിക്സലുകളുടെ ഭീമാകാരമായ ചിത്രമായിരിക്കും. ഈ വലിയ ചിത്രങ്ങളിൽ സെൽ കൗണ്ടിംഗ്, റീജിയൻ സെഗ്മെൻ്റേഷൻ, ഗ്രേഡിംഗ് എന്നിവയെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പിന്തുണയ്ക്കുന്നു. ഈ യൂണിറ്റിൽ നമ്മൾ WSI വർക്ക്ഫ്ലോ കാണും, അതിൻ്റെ ഏറ്റവും വലിയ സാങ്കേതിക പോരായ്മ: സ്റ്റെയിനിംഗ്/സ്കാനിംഗ് വേരിയബിളിറ്റി, എന്തുകൊണ്ട് പാത്തോളജിസ്റ്റ് അംഗീകാരം അത്യാവശ്യമാണ്.

തുടക്കം മുതൽ പ്രസ്താവിക്കാം: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു കൗണ്ടറും പ്രാഥമിക സ്കാനറും പാത്തോളജിയിൽ രണ്ടാമത്തെ കണ്ണും ആകാം; എന്നാൽ കാൻസർ രോഗനിർണയം, സ്റ്റേജിംഗ്, ഗ്രേഡിംഗ് തീരുമാനങ്ങൾ എന്നിവ പാത്തോളജിസ്റ്റിൻ്റെതാണ്. മോഡൽ രോഗനിർണയം നടത്തുന്നില്ല.

WSI വർക്ക്ഫ്ലോയുടെ ഘട്ടങ്ങൾ

ഘട്ടം 1 - സ്ക്രീനിംഗും ഗുണനിലവാര നിയന്ത്രണവും. ഗ്ലാസ് സ്ലൈഡ് സ്കാൻ ചെയ്തു; ഡിഫോക്കസ്, ഫോൾഡ് മാർക്കുകൾ, എയർ ബബിൾസ് തുടങ്ങിയ തകരാറുകൾ സ്വയമേവ കണ്ടെത്താനാകും. മോശം നിലവാരമുള്ള സ്കാനുകൾ മോഡലിൽ പ്രവേശിക്കാൻ പാടില്ല.

ഘട്ടം 2 - ടൈൽ (പാച്ച്) നീക്കം. ജിഗാപിക്സൽ ചിത്രം നേരിട്ട് പ്രോസസ്സ് ചെയ്യാൻ കഴിയില്ല; ചെറിയ സ്ക്വയറുകളായി തിരിച്ചിരിക്കുന്നു (ഇംഗ്ലീഷ് പാച്ച്, സാധാരണയായി 256x256 അല്ലെങ്കിൽ 512x512 പിക്സലുകൾ). മോഡൽ ഓരോ ടൈലിനെയും പ്രത്യേകം വിലയിരുത്തുന്നു, തുടർന്ന് ഫലങ്ങൾ സംയോജിപ്പിക്കുന്നു.

ഘട്ടം 3 - ടിഷ്യു/കോശ വിശകലനം. മോഡൽ; ട്യൂമർ സൈറ്റ് സെഗ്മെൻ്റേഷൻ, മൈറ്റോസിസ് (സെൽ വിഭജിക്കൽ) എണ്ണൽ, ന്യൂക്ലിയർ ഡെൻസിറ്റി അല്ലെങ്കിൽ ഒരു മാർക്കറിൻ്റെ കണക്കുകൂട്ടൽ (ഉദാ. കി-67 സ്റ്റെയിനിംഗ് നിരക്ക്) തുടങ്ങിയ ജോലികൾ ഇത് നിർവഹിക്കുന്നു. ഔട്ട്പുട്ട് ഒരു സംഖ്യാ അളവുകോൽ അല്ലെങ്കിൽ ഒരു ചൂട് മാപ്പ് ആണ്.

ഘട്ടം 4 - ഏകീകരണവും റിപ്പോർട്ടിംഗും. ടൈൽ ഫലങ്ങൾ സ്ലൈഡ് തലത്തിൽ സംയോജിപ്പിച്ചിരിക്കുന്നു; ഒരു സംഗ്രഹം നിർമ്മിക്കുന്നു, ഉദാഹരണത്തിന്, "ട്യൂമർ ഏരിയയുടെ ശതമാനം" അല്ലെങ്കിൽ "മൈറ്റോട്ടിക് എണ്ണം".

ഘട്ടം 5 - പാത്തോളജിസ്റ്റ് വിലയിരുത്തൽ. പാത്തോളജിസ്റ്റ് മോഡൽ അടയാളപ്പെടുത്തിയ പ്രദേശങ്ങളും എണ്ണവും പരിശോധിക്കുന്നു; സ്വീകരിക്കുന്നു, തിരുത്തുന്നു അല്ലെങ്കിൽ നിരസിക്കുന്നു. രോഗനിർണയവും ഗ്രേഡിംഗും പാത്തോളജിസ്റ്റിൻ്റെതാണ്.

ഏറ്റവും വലിയ കെണി: ഡൈയിംഗും സ്കാനിംഗ് വേരിയബിലിറ്റിയും

ടിഷ്യൂ വിഭാഗങ്ങൾ സാധാരണയായി എച്ച്&ഇ (ഹെമാറ്റോക്സിലിൻ, ഇയോസിൻ; ന്യൂക്ലിയസ് ബ്ലൂ-വയലറ്റ്, സൈറ്റോപ്ലാസം പിങ്ക് എന്നിവയെ കറക്കുന്ന സ്റ്റാൻഡേർഡ് ഡൈ). എന്നാൽ ലബോറട്ടറി, സ്റ്റെയിൻ ബാച്ച്, സെക്ഷൻ കനം, സ്കാനർ ബ്രാൻഡ് എന്നിവ അനുസരിച്ച് സ്റ്റെയിനിംഗ് തീവ്രത ഗണ്യമായി വ്യത്യാസപ്പെടുന്നു. മനുഷ്യൻ്റെ കണ്ണ് ഈ വ്യത്യാസങ്ങളുമായി എളുപ്പത്തിൽ പൊരുത്തപ്പെടുന്നു; മോഡൽ അനുയോജ്യമല്ലായിരിക്കാം.

ലാബ് എ-യുടെ പിങ്ക്-പർപ്പിൾ ടോണുകളെ അടിസ്ഥാനമാക്കിയാണ് ഒരു മോഡൽ പഠിച്ചതെങ്കിൽ, ലാബ് ബിയുടെ ഇളം അല്ലെങ്കിൽ ഇരുണ്ട നിറത്തിൽ അതിൻ്റെ പ്രകടനം കുറയും. ഈ പ്രതിഭാസത്തെ ഡൊമെയ്ൻ ഷിഫ്റ്റ് എന്ന് വിളിക്കുന്നു, ഇത് ഡിജിറ്റൽ പാത്തോളജിയിലെ പരാജയത്തിൻ്റെ ഏറ്റവും സാധാരണമായ കാരണമാണ്. പരിഹാര സമീപനങ്ങൾ: കളർ നോർമലൈസേഷൻ (ചിത്രങ്ങളെ ഒരു പൊതു കളർ സ്പേസിലേക്ക് മാറ്റുക), മൾട്ടിസെൻ്റർ പരിശീലന ഡാറ്റ, കൂടാതെ - ഏറ്റവും പ്രധാനമായി - ഓരോ ലബോറട്ടറിയിലും ബാഹ്യ മൂല്യനിർണ്ണയം ഉപയോഗിക്കണം.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - മൈറ്റോട്ടിക് എണ്ണത്തിൽ സ്ഥിരത. സ്തനാർബുദ ഗ്രേഡിംഗിൽ മൈറ്റോട്ടിക് കൗണ്ടിംഗ് പ്രധാനമാണ്, എന്നാൽ നിരീക്ഷകനിൽ നിന്ന് നിരീക്ഷകൻ വരെ ശ്രമകരവും വേരിയബിളുമാണ്. ഒരു ലബോറട്ടറിയിൽ AI- സഹായത്തോടെയുള്ള പ്രാഥമിക കൗണ്ടിംഗ്, രണ്ട് പാത്തോളജിസ്റ്റുകൾ തമ്മിലുള്ള കരാർ (കപ്പ) 0.55 ൽ നിന്ന് 0.71 ആയി വർദ്ധിച്ചു, ഓരോ സ്ലൈഡിലും കൗണ്ടിംഗ് സമയം 4 മിനിറ്റിൽ നിന്ന് 1.5 മിനിറ്റായി കുറഞ്ഞു. എന്നിരുന്നാലും, ഓരോ അന്തിമ എണ്ണവും പാത്തോളജിസ്റ്റ് സ്ഥിരീകരിച്ചു; മോഡൽ നിർദ്ദേശിച്ചു, പാത്തോളജിസ്റ്റ് തീരുമാനിച്ചു.

കേസ് 2 - ഫീൽഡ് ഷിഫ്റ്റ് ഹിറ്റ്. ട്യൂമർ സെഗ്മെൻ്റേഷൻ മോഡൽ വികസിപ്പിച്ച ലബോറട്ടറിയിൽ, അത് 93% സമയവും ശരിയായി പ്രവർത്തിച്ചു. മറ്റൊരു സ്കാനറും ഡൈയും ഉപയോഗിച്ച് പാർട്ണർ ലബോറട്ടറിയിൽ ഇതേ മോഡൽ ട്യൂമർ ഏരിയയെ വ്യവസ്ഥാപിതമായി 20% അമിതമായി കണക്കാക്കി. ആ ലബോറട്ടറിയിൽ നിന്നുള്ള 200 സ്ലൈഡുകൾ ഉപയോഗിച്ച് കളർ നോർമലൈസേഷനും പുനർമൂല്യനിർണ്ണയത്തിനും ശേഷം, വ്യത്യാസം സ്വീകാര്യമായ തലത്തിലേക്ക് കുറഞ്ഞു.

കേസ് 3 - സാമ്പിൾ തെറ്റ്. ഒരു സ്ലൈഡിൽ ട്യൂമർ "ഇല്ല" എന്ന് ഒരു മോഡൽ പറഞ്ഞു; എന്നിരുന്നാലും, മോഡൽ സ്കാൻ ചെയ്ത പ്രദേശം മാത്രം വിലയിരുത്തി, ട്യൂമർ സാമ്പിൾ ചെയ്യാത്ത വിഭാഗത്തിലായിരുന്നു. പാത്തോളജി രോഗനിർണയം സ്ലൈഡ് തിരഞ്ഞെടുക്കലും സാമ്പിൾ എടുക്കലും പോലെ നല്ലതാണ്; AI "നെഗറ്റീവ്" ഔട്ട്‌പുട്ട് അണ്ടർസാംപ്ലിംഗിന് നഷ്ടപരിഹാരം നൽകുന്നില്ല. അതുകൊണ്ടാണ് നെഗറ്റീവ് AI ഫലം ഒരിക്കലും "രോഗമില്ല" എന്ന് അർത്ഥമാക്കുന്നില്ല.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

കുറിപ്പ്: പാത്തോളജി റിപ്പോർട്ടും വർക്ക്ഫ്ലോ ടെക്‌സ്‌റ്റും കോൺഫിഗർ ചെയ്യുന്നതിന് ഇനിപ്പറയുന്ന പ്രോംപ്റ്റുകൾ ഉണ്ട്; ടിഷ്യു ഇമേജ് രോഗനിർണയം പരിശോധിച്ചുറപ്പിച്ച സോഫ്‌റ്റ്‌വെയർ, പാത്തോളജിസ്റ്റുകളുടെ പ്രവർത്തനമാണ്.

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ പാത്തോളജി റിപ്പോർട്ട് പ്രകാരം ക്യാൻസർ ഉണ്ടോ? [റിപ്പോർട്ട്]

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: നിങ്ങളാണ് പാത്തോളജി റിപ്പോർട്ട് സ്ട്രക്ചറിംഗ് അസിസ്റ്റൻ്റ് (നിങ്ങൾ രോഗനിർണയം നടത്തുന്നില്ല). ഇനിപ്പറയുന്ന അജ്ഞാത പാത്തോളജി റിപ്പോർട്ട് തയ്യാറാക്കുക:- സ്പെസിമൻ തരം, സ്റ്റെയിനിംഗ്, ട്യൂമർ തരം/ഗ്രേഡ്, സർജിക്കൽ മാർജിൻ, മാർക്കറുകൾ എന്നിവ പട്ടികപ്പെടുത്തുക.- അവ്യക്തമായ പദങ്ങൾ ("വിചിത്രമായ, ക്ലിനിക്കൽ കോറിലേഷൻ ശുപാർശ ചെയ്യുന്നു") കേടുകൂടാതെ സൂക്ഷിക്കുക.- വാചകത്തിൽ ഇല്ലാത്ത കണ്ടെത്തലുകളൊന്നും ചേർക്കുക; നഷ്‌ടമായ ഫീൽഡിൽ "വ്യക്തമല്ലാത്തത്" എന്ന് എഴുതുക.- അവസാനമായി, പാത്തോളജിസ്റ്റ് സ്ഥിരീകരിക്കേണ്ട 3 പോയിൻ്റുകൾ ലിസ്റ്റ് ചെയ്യുക. അജ്ഞാത റിപ്പോർട്ട്:[ടെക്സ്റ്റ്]

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) റിപ്പോർട്ട് സ്റ്റാൻഡേർഡൈസേഷൻ:

ഇനിപ്പറയുന്ന അജ്ഞാത പാത്തോളജി റിപ്പോർട്ട് ഘടനാപരമായ ഫീൽഡുകളിലേക്ക് (അവയവം, രോഗനിർണയം, ഗ്രേഡ്, മാർജിൻ, മാർക്കർ ശതമാനം) പ്ലോട്ട് ചെയ്യുക. വാചകത്തിൽ ഉറച്ചുനിൽക്കുക. റിപ്പോർട്ട്: [ടെക്സ്റ്റ്]

2) ടോക്കൺ സ്ഥിരത പരിശോധന:

ഈ റിപ്പോർട്ടിൽ പരാമർശിച്ചിരിക്കുന്ന എല്ലാ ശതമാനവും സംഖ്യാ മാർക്കറുകളും (Ki-67, ER, PR, HER2) ലിസ്റ്റ് ചെയ്യുക; പരസ്പരം അല്ലെങ്കിൽ രോഗനിർണയവുമായി വൈരുദ്ധ്യമുള്ള മൂല്യങ്ങൾ അടയാളപ്പെടുത്തുക. റിപ്പോർട്ട്: [ടെക്സ്റ്റ്]

3) മോഡൽ മൂല്യനിർണ്ണയ പദ്ധതി (ഡിജിറ്റൽ പാത്തോളജി):

ഒരു WSI സെഗ്മെൻ്റേഷൻ മോഡലിനായി ഒരു ഡ്രാഫ്റ്റ് മൂല്യനിർണ്ണയ പ്ലാൻ എഴുതുക: കളർ നോർമലൈസേഷൻ, മൾട്ടിസെൻ്റർ ബാഹ്യ മൂല്യനിർണ്ണയം, പാത്തോളജിസ്റ്റ് കരാർ (കപ്പ), ഫീൽഡ് ഷിഫ്റ്റ് ടെസ്റ്റിംഗ്. പാത്തോളജിസ്റ്റ് മൂല്യനിർണ്ണയ പോയിൻ്റുകൾ പ്രത്യേകം അടയാളപ്പെടുത്തുക.

4) സാമ്പിൾ മുന്നറിയിപ്പ് ചേർക്കുന്നു:

ഇനിപ്പറയുന്ന നെഗറ്റീവ് AI ഫലത്തിലേക്ക് "സാമ്പിളിംഗ് പരിമിതമായേക്കാം, നെഗറ്റീവ് ഫലം രോഗത്തെ ഒഴിവാക്കില്ല" എന്ന മുന്നറിയിപ്പും പാത്തോളജിസ്റ്റ് സ്ഥിരീകരണത്തിൻ്റെ ആവശ്യകതയും ചേർക്കുക. ഔട്ട്പുട്ട്: [ടെക്സ്റ്റ്]

മോഡലിൻ്റെ റോൾ: ടാസ്‌ക് തരം അനുസരിച്ച്

ടാസ്ക് തരം

AI സംഭാവന

വിമർശനം

സ്ഥിരീകരണം

ട്യൂമർ മേഖല വിഭജനം

ഉയർന്നത്

ഉയർന്നത്

പാത്തോളജിസ്റ്റ് + ബാഹ്യ പരിശോധന

മൈറ്റോസിസ്/കോശങ്ങളുടെ എണ്ണം

ഉയർന്നത്

ഉയർന്നത്

പാത്തോളജിസ്റ്റ് സ്ഥിരീകരണം

മാർക്കറിൻ്റെ ശതമാനം (കി-67)

ഉയർന്നത്

ഇടത്തരം

റഫറൻസ് താരതമ്യം

ഗുണനിലവാര നിയന്ത്രണം (ഫോക്കസ്/വൈകല്യം)

ഉയർന്നത്

താഴ്ന്ന

സ്പോട്ട് ചെക്ക്

റിപ്പോർട്ട് കോൺഫിഗറേഷൻ (ടെക്സ്റ്റ്)

ഉയർന്നത്

താഴ്ന്ന

പാത്തോളജിസ്റ്റ് സ്ഥിരീകരണം

നുറുങ്ങ്: ഡിജിറ്റൽ പാത്തോളജിയിൽ ഒരു മോഡൽ നിർദ്ദേശം വിലയിരുത്തുമ്പോൾ, എല്ലായ്പ്പോഴും ചോദിക്കുക: "ഏത് ലബോറട്ടറികളിലെ സ്റ്റെയിനുകളും സ്കാനറുകളും ഈ മോഡൽ പരിശീലിപ്പിച്ചിട്ടുണ്ട്, എൻ്റെ ലബോറട്ടറിയിൽ ഇത് സാധൂകരിക്കപ്പെട്ടിട്ടുണ്ടോ?" ഉത്തരം "ഇല്ല" ആണെങ്കിൽ, പ്രകടന കണക്കുകൾ നിങ്ങൾക്ക് ഇതുവരെ ബാധകമല്ല.

മുന്നറിയിപ്പ്: "ട്യൂമർ ഇല്ല" എന്ന് AI പറയുന്നതുകൊണ്ട് സാമ്പിൾ ചെയ്യാത്ത ടിഷ്യൂകളിൽ ട്യൂമർ ഇല്ലെന്ന് അർത്ഥമാക്കുന്നില്ല. പാത്തോളജിയിലെ ഒരു നെഗറ്റീവ് ഫലം സാമ്പിളിൻ്റെ ഗുണനിലവാരത്താൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു; പാറ്റേണിന് ഈ പരിധി കവിയാൻ കഴിയില്ല, കൂടാതെ ഒരു നെഗറ്റീവ് ഫലം ഡയഗ്നോസ്റ്റിക് ഉറപ്പ് അല്ല.

സാധാരണ തെറ്റുകൾ

• നിറം/ഡൈ വ്യതിയാനം കുറച്ചുകാണുന്നു. ഡിജിറ്റൽ പാത്തോളജിയിലെ പരാജയത്തിൻ്റെ ഏറ്റവും സാധാരണമായ കാരണം ഫീൽഡ് ഡ്രിഫ്റ്റാണ്.
• ഒരു കേന്ദ്രത്തിൽ പരിശീലിപ്പിച്ച് എല്ലായിടത്തും ഉപയോഗിക്കുക. വ്യത്യസ്‌ത ബ്രൗസറും കളറിംഗും നിശബ്‌ദ പ്രകടന നിലവാരത്തകർച്ച സൃഷ്‌ടിക്കുന്നു.
• ഒരു നെഗറ്റീവ് ഫലം ഉറപ്പായി തെറ്റിദ്ധരിക്കുന്നു. സാമ്പിൾ പരിധി മോഡലിന് നഷ്ടപരിഹാരം നൽകാൻ കഴിയില്ല.
• ഇൻ്റർഒബ്സർവർ വേരിയബിളിറ്റി അവഗണിക്കുന്നു. റഫറൻസ് സ്റ്റാൻഡേർഡ് തന്നെ വേരിയബിൾ ആണെങ്കിൽ മോഡൽ അതിനനുസരിച്ച് വിലയിരുത്തണം.
• പാത്തോളജിസ്റ്റിനെ ഇല്ലാതാക്കുന്നു. കൗണ്ടിംഗും സെഗ്മെൻ്റേഷനും പിന്തുണയാണ്; രോഗനിർണയവും ഗ്രേഡിംഗും പാത്തോളജിസ്റ്റുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.

ചുരുക്കത്തിൽ

• ഡിജിറ്റൽ പാത്തോളജി ഗിഗാപിക്സൽ WSI ഇമേജുകളെ ടൈലുകളായി വിഭജിച്ച് വിശകലനം ചെയ്യുന്നു; സെൽ കൗണ്ടിംഗും സെഗ്മെൻ്റേഷനും AI പിന്തുണയ്ക്കുന്നു.
• സ്റ്റെയിനിംഗ്/സ്കാനിംഗ് വേരിയബിലിറ്റി കാരണം ഫീൽഡ് ഡ്രിഫ്റ്റ് ആണ് ഏറ്റവും വലിയ സാങ്കേതിക കെണി; നിറം നോർമലൈസേഷനും ബാഹ്യ മൂല്യനിർണ്ണയവും അത്യാവശ്യമാണ്.
• ഒരു നെഗറ്റീവ് AI ഫലം സാമ്പിൾ പരിധിയാൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു കൂടാതെ ഡയഗ്നോസ്റ്റിക് ഉറപ്പ് നൽകുന്നില്ല.
• റഫറൻസ് സ്റ്റാൻഡേർഡും ഇൻ്റർഒബ്സർവർ വേരിയബിലിറ്റിയും മോഡൽ മൂല്യനിർണ്ണയത്തിനുള്ള സന്ദർഭമാണ്.
• രോഗനിർണയം, സ്റ്റേജിംഗ്, ഗ്രേഡിംഗ് എന്നിവ പാത്തോളജിസ്റ്റിൻ്റെ ഉത്തരവാദിത്തമാണ്; AI രോഗനിർണയം നടത്തുന്നില്ല.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു സാങ്കൽപ്പിക ഡിജിറ്റൽ പാത്തോളജി മോഡൽ തിരഞ്ഞെടുക്കുക (ഉദാ. കി-67 ശതമാനം കണക്കുകൂട്ടൽ). ഈ മോഡലിനായി ഒരു ബാഹ്യ മൂല്യനിർണ്ണയ പ്ലാൻ എഴുതുക: ഏതൊക്കെ ലാബുകളിൽ നിന്ന് എത്ര സ്ലൈഡുകൾ, ഏത് കളർ നോർമലൈസേഷൻ, പാത്തോളജിസ്റ്റ് കരാർ നിങ്ങൾ എങ്ങനെ അളക്കും, ഫീൽഡ് ഡ്രിഫ്റ്റ് എങ്ങനെ പരിശോധിക്കും. തുടർന്ന് മോഡലിൻ്റെ നെഗറ്റീവ്/പോസിറ്റീവ് ഔട്ട്‌പുട്ടിലേക്ക് ചേർക്കേണ്ട കൺസ്ട്രൈൻ്റ് മുന്നറിയിപ്പ് ഒരു വാചകത്തിൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] WSI വർക്ക്ഫ്ലോയുടെ സ്കാനിംഗ്, ടൈലിംഗ്, വിശകലനം, കമ്പോസിറ്റിംഗ് ഘട്ടങ്ങൾ എന്നിവ എനിക്കറിയാം.
• [ ] പെയിൻ്റ്/സ്കാൻ വേരിയബിലിറ്റി എങ്ങനെയാണ് ഫീൽഡ് ഡ്രിഫ്റ്റിന് കാരണമാകുന്നതെന്നും അത് എങ്ങനെ കൈകാര്യം ചെയ്യപ്പെടുന്നുവെന്നും ഞാൻ മനസ്സിലാക്കുന്നു.
• [ ] നെഗറ്റീവ് AI ഫലം സാമ്പിൾ പരിധിയിൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു എന്ന് ഞാൻ മനസ്സിലാക്കുന്നു.
• [ ] എനിക്ക് ബാഹ്യ മൂല്യനിർണ്ണയത്തിൻ്റെയും പാത്തോളജിസ്റ്റ് കരാറിൻ്റെയും (കപ്പ) ആശയങ്ങൾ ഉപയോഗിക്കാം.
• [ ] രോഗനിർണയവും ഗ്രേഡിംഗ് തീരുമാനവും പാത്തോളജിസ്റ്റിൻ്റെ പക്കലുണ്ടെന്ന് ഞാൻ ആന്തരികവൽക്കരിച്ചു.