लाभ:
- सेल गणना, विभाजन, र सम्पूर्ण स्लाइड छवि (WSI) कार्यप्रवाहमा ग्रेडिङको लागि AI को समर्थन व्याख्या गर्ने क्षमता
- मोडेल प्रदर्शन र डोमेन शिफ्टमा चित्रकारी र स्क्यानिङ परिवर्तनशीलताको प्रभाव पहिचान गर्ने क्षमता
- सन्दर्भ मानक, नमूना र रोगविज्ञानी स्वीकृतिको साथ प्याथोलोजी एआई आउटपुटहरू मान्य गर्ने क्षमता
रोगविज्ञान चिकित्साको शाखा हो जसमा माइक्रोस्कोप मुनि टिस्यु नमूना जाँच गरेर रोग पहिचान गरिन्छ। धेरै क्यान्सर निदानहरूको "सुन मानक" यहाँ बनाइएको छ। डिजिटल प्याथोलोजी भनेको उच्च रिजोल्युसन स्क्यानरको साथ गिलास स्लाइडमा दाग टिस्यु खण्डको डिजिटलाइजेशन हो। परिणामस्वरूप फाइललाई सम्पूर्ण स्लाइड छवि भनिन्छ (छोटोको लागि WSI); एकल स्लाइड गिगापिक्सेल आकारको विशाल छवि हुन सक्छ, अर्थात्, अरबौं पिक्सेल। कृत्रिम बुद्धिमत्ताले यी विशाल छविहरूमा सेल गणना, क्षेत्र विभाजन र ग्रेडिङलाई समर्थन गर्दछ। यस एकाइमा हामी WSI कार्यप्रवाह देख्नेछौं, यसको सबैभन्दा ठूलो प्राविधिक समस्या: दाग / स्क्यानिङ परिवर्तनशीलता, र किन रोग विशेषज्ञ अनुमोदन आवश्यक छ।
सुरुदेखि नै बताऔं: आर्टिफिसियल इन्टेलिजेन्स काउन्टर, प्रारम्भिक स्क्यानर र प्याथोलोजीमा दोस्रो आँखा हुन सक्छ; तर क्यान्सर निदान, स्टेजिङ र ग्रेडिङ निर्णय प्याथोलोजिस्टको हो। मोडेलले निदान गर्दैन।
WSI कार्यप्रवाहको चरणहरू
चरण 1 - स्क्रिनिङ र गुणस्तर नियन्त्रण। गिलास स्लाइड स्क्यान गरिएको छ; डिफोकस, फोल्ड मार्क्स, र एयर बबल जस्ता दोषहरू स्वचालित रूपमा पत्ता लगाउन सकिन्छ। खराब गुणस्तर स्क्यानहरू मोडेलमा प्रवेश गर्नु हुँदैन।
चरण 2 - टाइल (प्याच) हटाउने। Gigapixel छवि सीधा प्रशोधन गर्न सकिँदैन; सानो वर्गमा विभाजन गरिएको छ (अंग्रेजी प्याच, सामान्यतया 256x256 वा 512x512 पिक्सेल)। मोडेलले प्रत्येक टाइललाई अलग-अलग मूल्याङ्कन गर्छ, त्यसपछि परिणामहरू संयुक्त हुन्छन्।
चरण 3 - ऊतक/कोशिका विश्लेषण। मोडेल; यसले ट्युमर साइट विभाजन, माइटोसिस (डिभाइडिङ सेल) गणना, आणविक घनत्व वा मार्करको गणना (जस्तै Ki-67 दाग दर) जस्ता कार्यहरू गर्दछ। आउटपुट संख्यात्मक मापन वा तातो नक्सा हो।
चरण 4 - समेकन र रिपोर्टिङ। टाइल परिणामहरू स्लाइड स्तरमा संयुक्त छन्; एउटा सारांश उत्पादन गरिन्छ, उदाहरणका लागि, "ट्यूमर क्षेत्रको प्रतिशत" वा "मिटोटिक गणना"।
चरण 5 - रोग विशेषज्ञ मूल्याङ्कन। रोगविज्ञानीले मोडेलद्वारा चिन्हित क्षेत्रहरू र गणनाहरू जाँच गर्दछ; स्वीकार गर्दछ, सच्याउँछ वा अस्वीकार गर्दछ। निदान र ग्रेडिङ रोग विशेषज्ञ मा निर्भर गर्दछ।
सबैभन्दा ठूलो पिटफल: रंगाई र स्क्यानिङ परिवर्तनशीलता
टिस्यु खण्डहरू सामान्यतया H&E (हेमेटोक्सिलिन र इओसिन; न्युक्ली निलो-बैजनी र साइटोप्लाजम गुलाबी दाग गर्ने मानक रङ) संग दाग हुन्छन्। तर दागको तीव्रता प्रयोगशाला, दाग ब्याच, खण्ड मोटाई, र स्क्यानर ब्रान्ड द्वारा स्पष्ट रूपमा भिन्न हुन्छ। मानव आँखाले यी भिन्नताहरूलाई सजिलैसँग अनुकूलन गर्दछ; मोडेल उपयुक्त नहुन सक्छ।
यदि मोडेलले प्रयोगशाला A को गुलाबी-बैजनी टोनहरूमा आधारित सिकेको छ भने, यसको प्रदर्शन प्रयोगशाला B को फिक्का वा गाढा दागमा कम हुनेछ। यो घटनालाई डोमेन शिफ्ट भनिन्छ र डिजिटल रोगविज्ञानमा असफलताको सबैभन्दा सामान्य कारण हो। समाधानको दृष्टिकोण: रङ सामान्यीकरण (तस्बिरहरूलाई साझा रङ स्पेसमा सार्ने), बहुकेन्द्र प्रशिक्षण डेटा, र - सबैभन्दा महत्त्वपूर्ण रूपमा - प्रयोग गरिने प्रत्येक प्रयोगशालामा बाह्य प्रमाणीकरण।
तीन मिनी केसहरू: नम्बरहरू द्वारा
केस 1 - माइटोटिक गणनामा स्थिरता। स्तन क्यान्सर ग्रेडिङमा माइटोटिक गणना महत्त्वपूर्ण छ तर श्रमिक र पर्यवेक्षकबाट पर्यवेक्षकमा परिवर्तनशील छ। एउटा प्रयोगशालामा एआई-सहयोगित प्रारम्भिक गणना, दुई प्याथोलोजिस्टहरू बीचको सम्झौता (कप्पा) ०.५५ बाट ०.७१ मा बढ्यो, र प्रति स्लाइड गणना समय ४ मिनेटबाट १.५ मिनेटमा घट्यो। यद्यपि, प्रत्येक अन्तिम गणना रोगविज्ञानी द्वारा पुष्टि गरिएको थियो; मोडेलले सुझाव दियो, रोग विशेषज्ञले निर्णय गर्यो।
केस २ - फिल्ड शिफ्ट हिट। ट्यूमर विभाजन मोडेल विकसित गर्ने प्रयोगशालामा, यसले 93% समय सही रूपमा काम गरिरहेको थियो। एउटै मोडेलले बिभिन्न स्क्यानर र डाई प्रयोग गरेर साझेदार प्रयोगशालामा ट्यूमर क्षेत्रलाई 20% ले व्यवस्थित रूपमा बढायो। त्यो प्रयोगशालाबाट 200 स्लाइडहरूको साथ रङ सामान्यकरण र पुन: प्रमाणीकरण पछि, भिन्नता स्वीकार्य स्तरमा घट्यो।
केस 3 - नमूना भ्रम। एक मोडेलले स्लाइडमा ट्युमर "होइन" भन्यो; यद्यपि, मोडेलले स्क्यान गरिएको क्षेत्रको मात्र मूल्याङ्कन गर्यो र ट्युमर नमूना नभएको खण्डमा थियो। प्याथोलोजी निदान स्लाइड चयन र नमूना जस्तै राम्रो छ; एआई "नकारात्मक" आउटपुटले अन्डरसम्पलिंगको लागि क्षतिपूर्ति गर्दैन। त्यसैले नकारात्मक एआई नतिजा एक्लैको अर्थ "बिराम छैन" भन्ने हुँदैन।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
नोट: निम्न प्रम्प्टहरू प्याथोलोजी रिपोर्ट र कार्यप्रवाह पाठ कन्फिगर गर्नका लागि हुन्; टिस्यु इमेज डायग्नोसिस प्रमाणित सफ्टवेयर र रोगविज्ञानीहरूको काम हो।
कमजोर प्रम्प्ट:
यो प्याथोलोजी रिपोर्ट अनुसार, क्यान्सर छ? [रिपोर्ट]
शक्तिशाली प्रम्प्ट:
तपाईंको भूमिका: तपाईं रोगविज्ञान रिपोर्ट संरचना सहायक हुनुहुन्छ (तपाईं निदान हुनुहुन्न)। निम्न बेनामी रोगविज्ञान रिपोर्टको संरचना बनाउनुहोस्:- नमूना प्रकार, दाग, ट्युमरको प्रकार/ग्रेड, सर्जिकल मार्जिन, मार्करहरू तालिका बनाउनुहोस्।- अस्पष्ट शब्दहरू ("अटिपिकल, क्लिनिकल सहसंबंध सिफारिस गरिएको") अक्षुण्ण राख्नुहोस्।- पाठमा नभएका कुनै निष्कर्षहरू थप्नुहोस्; हराइरहेको फिल्डमा "अनिर्दिष्ट" लेख्नुहोस्।- अन्तमा, रोग विशेषज्ञले पुष्टि गर्नुपर्ने ३ बुँदाहरू सूचीबद्ध गर्नुहोस्। बेनामी रिपोर्ट:[text]
चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू
1) प्रतिवेदन मानकीकरण:
संरचित क्षेत्रहरू (अङ्ग, निदान, ग्रेड, मार्जिन, मार्कर प्रतिशत) मा निम्न बेनामी रोगविज्ञान रिपोर्ट प्लट गर्नुहोस्। पाठमा टाँस्नुहोस्। रिपोर्ट: [पाठ]
2) टोकन स्थिरता जाँच:
यस रिपोर्टमा उल्लेख गरिएका सबै प्रतिशत र संख्यात्मक मार्करहरू (Ki-67, ER, PR, HER2) सूचीबद्ध गर्नुहोस्; एक अर्कासँग वा निदानसँग द्वन्द्व हुने मानहरूलाई चिन्ह लगाउनुहोस्। रिपोर्ट: [पाठ]
3) मोडेल प्रमाणीकरण योजना (डिजिटल रोगविज्ञान):
WSI विभाजन मोडेलको लागि मस्यौदा प्रमाणीकरण योजना लेख्नुहोस्: रंग सामान्यीकरण, बहुकेन्द्रीय बाह्य प्रमाणीकरण, रोग विशेषज्ञ सम्झौता (कप्पा), फिल्ड शिफ्ट परीक्षण। प्याथोलोजिस्ट प्रमाणीकरण बिन्दुहरू छुट्टै चिन्ह लगाउनुहोस्।
4) नमूना चेतावनी थप्दै:
निम्न नकारात्मक एआई नतिजामा चेतावनी थप्नुहोस् कि "नमूना लिने सीमित हुन सक्छ, नकारात्मक परिणामले रोगलाई बहिष्कार गर्दैन" र प्याथोलोजिस्ट पुष्टिको आवश्यकता। आउटपुट: [पाठ]
मोडेलको भूमिका: कार्य प्रकार द्वारा
कार्य प्रकार
AI योगदान
आलोचनात्मकता
प्रमाणीकरण
ट्यूमर क्षेत्र विभाजन
उच्च
उच्च
रोग विशेषज्ञ + बाह्य प्रमाणिकरण
माइटोसिस / सेल गणना
उच्च
उच्च
रोग विशेषज्ञ पुष्टि
मार्करको प्रतिशत (Ki-67)
उच्च
मध्यम
सन्दर्भ तुलना
गुणस्तर नियन्त्रण (फोकस/दोष)
उच्च
कम
स्थान जाँच
रिपोर्ट कन्फिगरेसन (पाठ)
उच्च
कम
रोग विशेषज्ञ पुष्टि
सुझाव: डिजिटल प्याथोलोजीमा मोडेल प्रस्तावको मूल्याङ्कन गर्दा, सधैं सोध्नुहोस्: "कुन प्रयोगशालाको दाग र स्क्यानरहरू यो मोडेलमा तालिम दिइएको छ, र के यो मेरो प्रयोगशालामा मान्य भएको छ?" यदि जवाफ "होइन" हो भने, कार्यसम्पादन तथ्याङ्कहरू तपाईमा लागू हुँदैनन्।
सावधानी: AI ले "ट्युमर छैन" भन्नुको मतलब नमूना नभएको तन्तुमा ट्युमर छैन भन्ने होइन। रोगविज्ञान मा एक नकारात्मक परिणाम नमूना को गुणस्तर द्वारा सीमित छ; ढाँचाले यो सीमा नाघ्न सक्दैन र नकारात्मक परिणाम निदान आश्वासन होइन।
सामान्य गल्तीहरू
- रंग/रंग परिवर्तनशीलतालाई कम अनुमान गर्दै। फिल्ड ड्रिफ्ट डिजिटल प्याथोलोजीमा असफलताको सबैभन्दा सामान्य कारण हो।
- एउटा केन्द्रमा ट्रेन गर्नुहोस् र सबै ठाउँमा प्रयोग गर्नुहोस्। विभिन्न ब्राउजर र रंग मौन प्रदर्शन गिरावट सिर्जना गर्दछ।
- आश्वासनको लागि नकारात्मक परिणाम गलत। नमूना सीमा मोडेल द्वारा क्षतिपूर्ति गर्न सकिँदैन।
- इन्टरअब्जर्भर परिवर्तनशीलतालाई बेवास्ता गर्दै। यदि सन्दर्भ मानक नै चर हो भने मोडेललाई तदनुसार मूल्याङ्कन गर्नुपर्छ।
- रोगविज्ञानी हटाउने। गणना र विभाजन समर्थन हो; रोग विशेषज्ञ संग निदान र ग्रेडिंग आराम।
संक्षेपमा
- डिजिटल रोगविज्ञानले गिगापिक्सेल WSI छविहरूलाई टाइलहरूमा विभाजन गरेर विश्लेषण गर्दछ; AI ले सेल गणना र विभाजनको साथ समर्थन गर्दछ।
- सबैभन्दा ठूलो प्राविधिक जाल दाग / स्क्यानिङ परिवर्तनशीलताको कारण क्षेत्र बहाव हो; रंग सामान्यीकरण र बाह्य प्रमाणीकरण आवश्यक छ।
- एक नकारात्मक AI परिणाम नमूना सीमा द्वारा सीमित छ र निदान आश्वासन प्रदान गर्दैन।
- सन्दर्भ मानक र अन्तर-पर्यवेक्षक परिवर्तनशीलता मोडेल मूल्याङ्कनको लागि सन्दर्भ हो।
- निदान, स्टेजिङ, र ग्रेडिङ रोग विशेषज्ञको जिम्मेवारी हो; AI ले निदान गर्दैन।
आवेदन कार्य
एक काल्पनिक डिजिटल रोगविज्ञान मोडेल चयन गर्नुहोस् (जस्तै Ki-67 प्रतिशत गणना)। यस मोडेलको लागि बाह्य प्रमाणीकरण योजना लेख्नुहोस्: कुन प्रयोगशालाबाट कतिवटा स्लाइडहरू, कुन रंग सामान्यीकरण, तपाइँ कसरी रोग विशेषज्ञ सम्झौता मापन गर्नुहुन्छ, र तपाइँ कसरी फिल्ड बहाव परीक्षण गर्नुहुन्छ। त्यसपछि मोडेलको नकारात्मक/सकारात्मक आउटपुटमा थपिने अवरोध चेतावनीलाई एउटा वाक्यमा लेख्नुहोस्।
चेकलिस्ट
- [ ] मलाई WSI कार्यप्रवाहको स्क्यानिङ, टाइलिङ, विश्लेषण र कम्पोजिटिङ चरणहरू थाहा छ।
- [ ] म बुझ्छु कि कसरी पेन्ट/स्क्यान परिवर्तनशीलताले क्षेत्र बहाव निम्त्याउँछ र यसलाई कसरी व्यवस्थित गरिन्छ।
- [ ] म बुझ्छु कि नकारात्मक AI परिणाम नमूना सीमा द्वारा सीमित छ।
- [] म बाह्य प्रमाणीकरण र रोग विशेषज्ञ सम्झौता (कप्पा) को अवधारणाहरू प्रयोग गर्न सक्छु।
- निदान र ग्रेडिङको निर्णय प्याथोलोजिस्टसँग रहन्छ भन्ने कुरा मैले आन्तरिक बनाएको छु।