Keuntungan:
- Keupayaan untuk menerangkan sokongan AI untuk pengiraan sel, pembahagian dan penggredan dalam aliran kerja imej slaid keseluruhan (WSI)
- Keupayaan untuk mengenali kesan kebolehubahan lukisan dan pengimbasan pada prestasi model dan anjakan domain
- Keupayaan untuk mengesahkan output AI patologi dengan standard rujukan, persampelan dan kelulusan ahli patologi
Patologi ialah cabang perubatan di mana penyakit dikenal pasti dengan memeriksa sampel tisu di bawah mikroskop; "Standard emas" bagi banyak diagnosis kanser dibuat di sini. Patologi digital ialah pendigitalan bahagian tisu bernoda pada slaid kaca dengan pengimbas resolusi tinggi. Fail yang terhasil dipanggil imej slaid keseluruhan (pendek kata WSI); Satu slaid boleh menjadi imej gergasi bersaiz gigapiksel, iaitu berbilion piksel. Kecerdasan buatan menyokong pengiraan sel, pembahagian wilayah dan penggredan dalam imej besar ini. Dalam unit ini kita akan melihat aliran kerja WSI, perangkap teknikal terbesarnya: kebolehubahan pewarnaan/pengimbasan, dan sebab kelulusan ahli patologi adalah penting.
Mari kita nyatakan dari awal: kecerdasan buatan boleh menjadi kaunter, pengimbas awal dan mata kedua dalam patologi; Tetapi keputusan diagnosis, peringkat dan penggredan kanser adalah milik ahli patologi. Model tidak mendiagnosis.
Langkah Aliran Kerja WSI
Langkah 1 — Pemeriksaan dan kawalan kualiti. Slaid kaca diimbas; Kecacatan seperti nyahfokus, tanda lipatan dan buih udara boleh dikesan secara automatik. Imbasan berkualiti rendah tidak sepatutnya memasuki model sama sekali.
Langkah 2 — Penyingkiran jubin (tampalan). Imej gigapiksel tidak boleh diproses secara langsung; dibahagikan kepada petak kecil (tampalan bahasa Inggeris, biasanya 256x256 atau 512x512 piksel). Model menilai setiap jubin secara berasingan, kemudian hasilnya digabungkan.
Langkah 3 — Analisis tisu/sel. Model; Ia menjalankan tugas seperti pembahagian tapak tumor, pengiraan mitosis (sel pembahagi), ketumpatan nuklear atau pengiraan penanda (cth. kadar pewarnaan Ki-67). Keluaran ialah ukuran berangka atau peta haba.
Langkah 4 — Penyatuan dan pelaporan. Hasil jubin digabungkan pada tahap slaid; Ringkasan dihasilkan, sebagai contoh, "peratusan kawasan tumor" atau "kiraan mitosis".
Langkah 5 - Penilaian ahli patologi. Pakar patologi memeriksa kawasan dan kiraan yang ditandakan oleh model; menerima, membetulkan atau menolak. Diagnosis dan penggredan terpulang kepada ahli patologi.
Perangkap Terbesar: Kebolehubahan Pencelupan dan Pengimbasan
Bahagian tisu biasanya diwarnai dengan H&E (hematoxylin dan eosin; pewarna standard yang mengotorkan nukleus biru-ungu dan sitoplasma merah jambu). Tetapi keamatan pewarnaan berbeza dengan ketara mengikut makmal, kumpulan noda, ketebalan bahagian dan jenama pengimbas. Mata manusia mudah menyesuaikan diri dengan perbezaan ini; Model mungkin tidak serasi.
Jika model telah belajar berdasarkan ton merah jambu-ungu makmal A, prestasinya akan berkurangan apabila pewarnaan makmal B yang lebih pucat atau lebih gelap. Fenomena ini dipanggil anjakan domain dan merupakan punca kegagalan yang paling biasa dalam patologi digital. Pendekatan penyelesaian: penormalan warna (memindahkan imej ke dalam ruang warna biasa), data latihan berbilang pusat, dan — paling penting — pengesahan luaran di setiap makmal yang akan digunakan.
Tiga Kes Mini: Mengikut Nombor
Kes 1 — Ketekalan dalam kiraan mitosis. Pengiraan mitosis dalam penggredan kanser payudara adalah penting tetapi susah payah dan berubah-ubah dari pemerhati ke pemerhati. Pengiraan awal dibantu AI dalam satu makmal, persetujuan (kappa) antara dua ahli patologi meningkat daripada 0.55 kepada 0.71, dan masa pengiraan setiap slaid menurun daripada 4 minit kepada 1.5 minit. Walau bagaimanapun, setiap kiraan akhir telah disahkan oleh ahli patologi; Model mencadangkan, ahli patologi memutuskan.
Kes 2 — Kesan anjakan medan. Dalam makmal yang membangunkan model segmentasi tumor, ia berfungsi dengan betul 93% pada masa itu. Model yang sama secara sistematik melebihkan kawasan tumor sebanyak 20% di makmal rakan kongsi menggunakan pengimbas dan pewarna yang berbeza. Selepas penormalan warna dan pengesahan semula dengan 200 slaid dari makmal itu, perbezaan itu menurun ke tahap yang boleh diterima.
Kes 3 — Kekeliruan pensampelan. Seorang model berkata "tidak" tumor pada slaid; walau bagaimanapun, model itu hanya menilai kawasan yang diimbas dan tumor berada di bahagian yang tidak bersampel. Diagnosis patologi adalah sebaik pemilihan slaid dan pensampelan; Output "negatif" AI tidak mengimbangi pensampelan terkurang. Itulah sebabnya hasil AI negatif sahaja tidak pernah bermaksud "tiada penyakit".
Gesaan Lemah / Gesaan Kuat
Nota: Gesaan berikut adalah untuk mengkonfigurasi laporan patologi dan teks aliran kerja; Diagnosis imej tisu adalah kerja perisian dan pakar patologi yang disahkan.
Gesaan yang lemah:
Menurut laporan patologi ini, adakah terdapat kanser? [laporan]
Gesaan kuat:
Peranan anda: Anda adalah pembantu penstrukturan laporan patologi (ANDA BUKAN DIAGNOSIS). Susun laporan patologi tanpa nama berikut:- Jadualkan jenis spesimen, pewarnaan, jenis/gred tumor, margin pembedahan, penanda.- Pastikan perkataan samar-samar ("atipikal, korelasi klinikal disyorkan") utuh.- Tambah tiada penemuan yang tiada dalam teks; tulis "tidak ditentukan" dalam medan yang hilang.- Akhir sekali, senaraikan 3 perkara yang perlu disahkan oleh ahli patologi. Laporan tanpa nama:[teks]
Empat Templat Boleh Disalin
1) Penyeragaman laporan:
Plot laporan patologi tanpa nama berikut ke dalam medan berstruktur (organ, diagnosis, gred, margin, peratusan penanda). Berpegang pada teks. Laporan: [teks]
2) Semakan konsistensi token:
Senaraikan semua peratusan dan penanda berangka (Ki-67, ER, PR, HER2) yang disebut dalam laporan ini; Tandakan nilai yang bercanggah antara satu sama lain atau dengan diagnosis. Laporan: [teks]
3) Pelan pengesahan model (patologi digital):
Tulis draf pelan pengesahan untuk model segmentasi WSI: normalisasi warna, pengesahan luaran berbilang pusat, perjanjian ahli patologi (kappa), ujian anjakan medan. Tandakan titik pengesahan patologi secara berasingan.
4) Menambah amaran pensampelan:
Tambahkan pada keputusan AI negatif berikut kaveat bahawa "persampelan mungkin terhad, keputusan negatif tidak mengecualikan penyakit" dan keperluan untuk pengesahan ahli patologi. Output: [teks]
Peranan Model: Mengikut Jenis Tugas
Jenis tugas
Sumbangan AI
kritikal
pengesahan
Pembahagian kawasan tumor
tinggi
tinggi
Pakar patologi + pengesahan luaran
Mitosis/bilangan sel
tinggi
tinggi
Pengesahan ahli patologi
Peratusan penanda (Ki-67)
tinggi
sederhana
Perbandingan rujukan
Kawalan kualiti (fokus/cacat)
tinggi
rendah
pemeriksaan mengejut
Konfigurasi laporan (teks)
tinggi
rendah
Pengesahan ahli patologi
Petua: Apabila menilai cadangan model dalam patologi digital, sentiasa tanya: "Kotor dan pengimbas makmal yang mana model ini telah dilatih dan adakah ia telah disahkan di makmal saya?" Jika jawapannya "tidak", angka prestasi belum lagi digunakan untuk anda.
Awas: Hanya kerana AI mengatakan "tiada tumor" tidak bermakna tiada tumor dalam tisu tanpa sampel. Keputusan negatif dalam patologi dihadkan oleh kualiti pensampelan; corak tidak boleh melebihi had ini dan keputusan negatif bukanlah jaminan diagnostik.
Kesilapan biasa
- Meremehkan kebolehubahan warna/pewarna. Field drift adalah punca kegagalan yang paling biasa dalam patologi digital.
- Berlatih di satu pusat dan gunakan di mana-mana. Penyemak imbas dan pewarna yang berbeza mencipta kemerosotan prestasi senyap.
- Tersilap keputusan negatif sebagai jaminan. Had pensampelan tidak boleh dikompensasikan oleh model.
- Mengabaikan kebolehubahan antara pemerhati. Model harus dinilai dengan sewajarnya jika piawai rujukan itu sendiri berubah-ubah.
- Menghapuskan ahli patologi. Pengiraan dan pembahagian adalah sokongan; Diagnosis dan penggredan berehat dengan pakar patologi.
Secara ringkasnya
- Patologi digital menganalisis imej WSI gigapiksel dengan membahagikannya kepada jubin; AI menyokong dengan pengiraan dan pembahagian sel.
- Perangkap teknikal terbesar ialah hanyut medan akibat kebolehubahan pewarnaan/pengimbasan; normalisasi warna dan pengesahan luaran adalah penting.
- Keputusan AI negatif dihadkan oleh had pensampelan dan tidak memberikan jaminan diagnostik.
- Piawaian rujukan dan kebolehubahan antara pemerhati adalah konteks untuk penilaian model.
- Diagnosis, pementasan, dan penggredan adalah tanggungjawab ahli patologi; AI tidak mendiagnosis.
Tugasan permohonan
Pilih model patologi digital hipotesis (cth. pengiraan peratusan Ki-67). Tulis pelan pengesahan luaran untuk model ini: berapa banyak slaid dari makmal mana, normalisasi warna apa, cara anda mengukur persetujuan ahli patologi dan cara anda akan menguji drift medan. Kemudian tulis dalam satu ayat amaran kekangan yang perlu ditambah pada output negatif/positif model.
senarai semak
- [ ] Saya tahu langkah pengimbasan, jubin, analisis dan penggubahan aliran kerja WSI.
- [ ] Saya faham bagaimana kebolehubahan cat/imbasan menyebabkan medan hanyut dan cara ia diuruskan.
- [ ] Saya faham bahawa keputusan AI negatif dihadkan oleh had pensampelan.
- [ ] Saya boleh menggunakan konsep pengesahan luaran dan perjanjian ahli patologi (kappa).
- [ ] Saya telah menyedari bahawa diagnosis dan keputusan penggredan kekal dengan ahli patologi.