Keuntungan:
- Fahami cara pra-pengkelasan imej berbantukan AI (smear periferal, sedimen air kencing, koloni) berfungsi dan perkara yang dipercepatkan
- Keupayaan untuk menggunakan pra-pengkelasan AI hanya sebagai saringan dan menyerahkan diagnosis sel/mikroorganisma yang tidak normal dan kritikal kepada pengesahan pakar
- Keupayaan untuk mengenali had model imej (sel jarang, artifak, kualiti pewarnaan, peralihan pengedaran) dan menguruskan risiko negatif palsu
Mikroskop adalah alat tertua tetapi masih paling berkuasa makmal perubatan. Bentuk sel dalam sapuan darah, kristal dalam sedimen air kencing, warna dan susunan bakteria dalam pewarnaan Gram—semuanya adalah corak yang boleh dibaca oleh mata terlatih dalam beberapa saat tetapi memerlukan pengalaman bertahun-tahun untuk bermula. Dalam beberapa tahun kebelakangan ini, analisis imej berbantukan AI telah memasuki dunia mikroskopik ini: ia secara automatik mengelaskan persediaan yang diimbas secara digital, menghapuskan yang kelihatan biasa dan mengarahkan perhatian pakar ke kawasan yang sebenarnya memerlukan pemeriksaan. Ini adalah peningkatan kelajuan yang besar — tetapi ia juga merupakan salah satu kawasan di mana sempadan yang paling berhati-hati mesti dibuat, kerana negatif palsu (hilang keabnormalan sebenar) bermakna diagnosis langsung terlepas.
Cara praklasifikasi imej yang disokong AI berfungsi dalam unit ini; smear periferal, sedimen air kencing dan cara ia digunakan dalam mikrobiologi; dan kami akan meliputi sempadan model (sel jarang, artifak, kualiti pewarnaan, peralihan pengedaran). Prinsip asas: Pra-pengkelasan AI ialah saringan, bukan diagnosis; Diagnosis dan kelulusan akhir penemuan abnormal dan kritikal adalah milik pakar.
Cara prapengkelasan imej berfungsi
Model imej AI belajar untuk mengkategorikan sel atau struktur dengan melatih sejumlah besar contoh berlabel. Dalam penganalisis hematologi digital, peranti mengimbas smear darah, menangkap sel individu, dan corak meletakkan setiap satu ke dalam kelas (neutrofil, limfosit, monosit, eosinofil, basofil, dll.). Pakar dibentangkan dengan sel pra-kelas sebagai galeri; Pakar mengesahkan, membetulkan atau mengklasifikasikan semula. Begitu juga, penganalisis sedimen air kencing mengesan eritrosit, leukosit, epitelium, kristal dan tuangan; Beberapa sistem mikrobiologi pra-nilai kiraan koloni dan corak pertumbuhan.
Output model membawa dua komponen: kelas (sel ini adalah neutrofil) dan skor keyakinan (betapa yakinnya dalam pengelasan ini). Sel dengan skor keyakinan rendah atau ditandakan sebagai "atipikal/tidak dikenal pasti" semestinya dirujuk kepada pakar. Ambil perhatian bahawa model mungkin salah mengklasifikasikan sel dengan keyakinan tinggi; skor keyakinan bukan jaminan ketepatan.
Permohonan
pra-kerja AI
kerja pakar
smear periferal
Pra-isih sel, penyajian galeri
Pengesahan abnormal/letupan/atipikal, tafsiran morfologi
sedimen air kencing
Elemen pra-pengiktirafan dan pengiraan
Pengesahan sel kristal/tuang/patologi
Mikrobiologi (koloni)
Kiraan koloni, pra-penilaian pertumbuhan
Perbezaan jenis, kepentingan klinikal
Sumsum tulang / patologi
Penandaan medan/sel
Tafsiran diagnostik, kelulusan doktor
Mengapa model itu adalah "penyaringan", bukan diagnosis
Sumbangan model imej yang paling berharga ialah ia menjimatkan masa pakar dengan cepat melepasi corak biasa dan biasa. Tetapi bergantung pada model untuk membuat keputusan diagnostik adalah berbahaya kerana tiga sebab:
- Penemuan yang jarang berlaku. Model mungkin tidak mengenali sel yang jarang ditemui (cth. letupan, parasit, limfosit atipikal) yang jarang dilihat dalam data latihan. Penemuan yang paling kritikal selalunya paling jarang; Di sinilah negatif palsu paling berbahaya.
- Artifak dan lukisan. Kualiti pewarnaan, ketebalan penyediaan dan pengeringan artifak mungkin mengelirukan model. Dalam penyediaan yang tidak diwarnakan dengan baik, model boleh tersalah klasifikasi dengan selamat.
- Anjakan pengedaran. Jika model dilatih dengan satu peranti makmal dan protokol pewarnaan, prestasinya mungkin berkurangan dengan peranti/pewarnaan yang berbeza. Jika populasi anda berbeza daripada populasi latihan, model akan berprestasi buruk daripada yang dijangkakan.
Awas: "Model itu berkata ia adalah perkara biasa, saya tidak melihat" adalah cara yang paling biasa untuk terlepas negatif palsu. Jika terdapat syak wasangka klinikal yang tidak normal (contohnya, diagnosis awal leukemia), smear diperiksa oleh pakar, tanpa mengira apa yang dikatakan model.
Langkah demi langkah: aliran pra-penilaian imej selamat
- Periksa kualiti pewarnaan dan penyediaan. Persediaan yang buruk mengelirukan kedua-dua model dan mata; pastikan kualiti dahulu.
- Dapatkan model pra-pengkelasan sebagai galeri. Semak kelas biasa dan keselamatan tinggi dengan pantas.
- Periksa mereka yang ditandai keyakinan rendah dan "atipikal" terlebih dahulu. Jika model itu tidak jelas, keputusan di tangan anda.
- Kekalkan syak wasangka klinikal di atas model. Lakukan semakan manual penuh kes di mana keabnormalan dijangka berlaku.
- Sahkan dan laporkan penemuan kritikal. Penemuan seperti letupan, parasit, dan sel malignan disahkan oleh pakar; Ia dikongsi dengan doktor apabila perlu.
Nota: Selain menggunakan AI sebagai komponen peranti pengimejan dalam unit ini, terdapat juga had apabila bekerja dengan model bahasa: memuat naik imej penyediaan pesakit ke alat bahasa yang tersedia secara umum merupakan risiko privasi dan bergantung pada alat yang tidak sah untuk diagnosis klinikal adalah salah. Diagnosis imej dilakukan menggunakan sistem klinikal yang disahkan dan mata pakar.
Gesaan lemah / Gesaan kuat
Perbandingan berikut digunakan apabila menggunakan AI sebagai sokongan teks (cth. untuk mengedit nota morfologi atau menyediakan penerangan tutorial); bukan untuk keputusan imej diagnostik.
Gesaan yang lemah:
Diagnosis apa yang ada dalam sapuan darah ini. [imej]
Gesaan ini meminta AI untuk diagnosis; sedangkan alat bahasa tidak disahkan untuk diagnosis klinikal dan imej pesakit berisiko dari segi privasi. Ia adalah penggunaan yang salah dan berbahaya.
Gesaan kuat:
Peranan anda: pembantu menyediakan teks latihan/laporan untuk pakar makmal. DIAGNOSIS; Tafsiran imej adalah tugas saya. Di bawah saya menulis pemerhatian morfologi saya sendiri (tanpa nama); Ubah ini menjadi draf laporan smear yang kemas dan tandakan penemuan yang memerlukan pengesahan pakar. Pemerhatian saya: dominasi neutrofil, peralihan sedikit ke kiri, beberapa limfosit atipikal[pengesahan pakar], kesan granulasi toksik. Jangan membayangkan diagnosis definitif.
Kemahuan yang kuat mengekalkan diagnosis dengan pakar, menggunakan AI sahaja untuk mengatur pemerhatian sendiri, dan menandakan penemuan yang memerlukan pengesahan.
tiga kes mini
Kes 1 — Penghapusan yang cekap. Dalam makmal hematologi, penganalisis digital mempraisih 220 smear darah setiap hari. Daripada jumlah ini, 150 mempunyai corak normal sepenuhnya dan skor keyakinan yang tinggi; Pakar dengan pantas menyemak dan meluluskannya melalui galeri. Baki 70 calitan (keyakinan rendah atau ditandai) menjalani semakan manual penuh. Hasilnya: masa pakar tertumpu pada kes yang sebenarnya memerlukan pemeriksaan, jumlah masa berkurangan dengan ketara. Model dihapuskan, pakar memeriksa.
Kes 2 — Letupan melarikan diri. Dalam satu kes, model itu menandakan beberapa sel sebagai "limfosit atipikal" dengan keyakinan yang rendah, tetapi pakar dengan cepat mengesahkan dan melalui galeri kerana kepadatan. Kemudian, keadaan klinikal pesakit bertambah buruk; Apabila smear diperiksa semula, didapati sel-sel ini sebenarnya adalah letupan. Pelajaran: sel yang dibenderakan oleh model sebagai "keyakinan rendah/atipikal" tidak pernah disahkan dengan cepat; Penemuan paling kritikal mungkin tersembunyi di sana. Negatif palsu adalah kesilapan yang paling mahal.
Kes 3 — Mewarna artifak. Pada penganalisis sedimen air kencing, corak itu menandakan banyak "kristal" dalam penyediaan yang tidak diwarnakan dengan baik. Apabila pakar meneliti penyediaan, dia melihat bahawa ini adalah mendakan pewarnaan (artifak); Tiada kristal sebenar. Persediaan diperbaharui. Pengajaran: model mungkin tersilap artifak sebagai struktur sebenar; Kualiti penyediaan sentiasa diperiksa terlebih dahulu.
Templat gesaan yang boleh disalin
TEMPLAT DRAF LAPORAN MORFOLOGIPeranan anda: pembantu yang menterjemah pemerhatian morfologi yang ditulis oleh saya (pakar) ke dalam draf laporan yang teratur. Jangan diagnosis. Letakkan pemerhatian saya di bawah ke dalam bahasa laporan penyebaran standard; tandakan penemuan tidak pasti/atipikal sebagai "[pengesahan pakar]"; tidak membayangkan diagnosis definitif. Pemerhatian saya: [teks].
TEMPLAT PERATURAN PENGECUALIAN MODEL IMEJTulis sebagai senarai semak untuk sistem pra-isih imej yang mana kes MESTI pergi ke semakan manual penuh: skor keyakinan rendah, label "atipikal/tidak dikenal pasti", disyaki keabnormalan klinikal, kualiti penyediaan yang lemah, calon pencarian kritikal. Tambahkan justifikasi untuk setiap item.
TEMPLATE KAWALAN KUALITI PENYEDIAANSenaraikan item kualiti yang akan saya periksa sebelum menilai penyediaan smear/sedimen: keamatan pewarnaan, penyebaran/ketebalan, artifak, pengeringan, pencemaran. Cadangkan kriteria "terima/sediakan" untuk setiap item.
TEMPLAT PENERANGAN LATIHANPeranan anda: pembantu menyediakan teks latihan untuk pelatih makmal. Terangkan konsep morfologi ini dengan mudah dan tepat: [konsep]. Berikan contoh, nyatakan perbezaan antara struktur yang serupa, tetapi tekankan bahawa keputusan diagnosis adalah milik pakar. Muat naik imej; Terangkan dengan teks sahaja.
Kesilapan biasa
- Tersilap klasifikasi model sebagai pengiktirafan. Pra-isih ialah penyingkiran; Penemuan abnormal/kritikal disahkan oleh pakar.
- Cepat meluluskan bendera selamat/atipikal rendah. Penemuan paling kritikal ada di sana; Ini diperiksa terlebih dahulu dan berhati-hati.
- Melangkau kualiti penyediaan. Model lukisan yang buruk dan menipu mata; Kualiti diutamakan.
- Melupakan peralihan pengedaran. Model yang dilatih dengan peranti/pewarna lain mungkin tidak berfungsi dengan baik pada sampel anda.
- Memuat naik imej pesakit ke alat awam. Risiko pelanggaran kerahsiaan dan diagnosis tidak sah.
Petua: Apabila bekerja dengan model imej, biarkan ini menjadi peraturan anda: "Model biasanya boleh mempercepatkan saya, tetapi secara tidak normal ia tidak akan melegakan saya." Jika terdapat keraguan klinikal atau coraknya tidak jelas, keputusan terletak pada pakar di mikroskop.
Secara ringkasnya
Pra-penilaian imej berbantukan AI menghapuskan corak normal dalam sapuan darah, sedimen air kencing dan mikrobiologi, membebaskan masa pakar untuk memberi tumpuan kepada kes yang sebenarnya memerlukan penyiasatan. Tetapi model itu ialah alat penyaringan, bukan diagnosis: ia boleh terlepas penemuan yang jarang berlaku, kesilapan artifak yang sebenar dan melemahkan populasi yang berbeza. Diagnosis dan kelulusan akhir penemuan abnormal dan kritikal adalah milik pakar; keyakinan rendah dan penanda atipikal diperiksa terlebih dahulu; Kualiti penyediaan sentiasa diperiksa terlebih dahulu. Kerana negatif palsu adalah ralat yang paling mahal, syak wasangka klinikal mengatasi output model.
Tugasan permohonan
Dengan templat "Peraturan Pengecualian Model Imej" untuk sistem prapengkelasan imej yang anda gunakan (atau contoh), senaraikan kes yang pasti akan pergi ke semakan manual penuh. Kemudian tukar satu set pemerhatian morfologi menjadi laporan biasa dengan templat "Draf Laporan Morfologi" dan tandakan penemuan yang memerlukan pengesahan. Akhir sekali, buat senarai semak kualiti dengan templat "Kawalan Kualiti Penyediaan".
senarai semak
- [ ] Saya menggunakan output model sebagai penyingkiran, bukan diagnosis.
- [ ] Saya memeriksa mereka yang bertanda selamat/atipikal rendah terlebih dahulu dan berhati-hati.
- [ ] Saya menyemak kualiti penyediaan sebelum menilainya.
- [ ] Sekiranya disyaki keabnormalan klinikal, saya melakukan pemeriksaan manual penuh.
- [ ] Saya tidak memuat naik imej pesakit ke alatan awam.
- [ ] Saya mengesahkan penemuan kritikal dengan pakar dan berkongsinya dengan doktor apabila perlu.