Winst:
- Mogelijkheid om de ondersteuning van AI voor het tellen, segmenteren en beoordelen van cellen uit te leggen in een WSI-workflow (Whole Slide Image)
- Vermogen om het effect van schilder- en scanvariabiliteit op de modelprestaties en domeinverschuiving te herkennen
- Mogelijkheid om AI-outputs van pathologie te valideren met referentiestandaard, bemonstering en goedkeuring van pathologen
Pathologie is de tak van de geneeskunde waarin ziekte wordt geïdentificeerd door een weefselmonster onder een microscoop te onderzoeken; Hier wordt de ‘gouden standaard’ van veel kankerdiagnoses gesteld. Digitale pathologie is de digitalisering van een gekleurd weefselcoupe op een glasplaatje met een scanner met hoge resolutie. Het resulterende bestand wordt een hele dia-afbeelding genoemd (kortweg WSI); Eén enkele dia kan een gigantische afbeelding van gigapixelgrootte zijn, dat wil zeggen miljarden pixels. Kunstmatige intelligentie ondersteunt het tellen van cellen, regiosegmentatie en indeling in deze enorme afbeeldingen. In deze unit zullen we de WSI-workflow zien, de grootste technische valkuil: de variabiliteit van kleuring/scanning, en waarom goedkeuring van pathologen essentieel is.
Laten we vanaf het begin zeggen: kunstmatige intelligentie kan een loket, een voorlopige scanner en een tweede oog zijn in de pathologie; Maar beslissingen over kankerdiagnose, stadiëring en beoordeling behoren toe aan de patholoog. Het model stelt geen diagnose.
Stappen van de WSI-workflow
Stap 1 — Screening en kwaliteitscontrole. Het glasplaatje wordt gescand; Defecten zoals onscherpte, vouwlijnen en luchtbellen kunnen automatisch worden gedetecteerd. Scans van slechte kwaliteit mogen helemaal niet in het model voorkomen.
Stap 2 — Tegel (patch) verwijderen. Gigapixel-afbeeldingen kunnen niet rechtstreeks worden verwerkt; is verdeeld in kleine vierkantjes (Engelse patch, doorgaans 256x256 of 512x512 pixels). Het model evalueert elke tegel afzonderlijk en vervolgens worden de resultaten gecombineerd.
Stap 3 — Weefsel-/celanalyse. Model; Het voert taken uit zoals segmentatie van de tumorplaats, telling van mitose (delende cellen), nucleaire dichtheid of berekening van een marker (bijv. Ki-67-kleuringssnelheid). De output is een numerieke meting of een heatmap.
Stap 4 — Consolidatie en rapportage. Tegelresultaten worden gecombineerd op dianiveau; Er wordt een samenvatting gemaakt, bijvoorbeeld "percentage van tumorgebied" of "mitotische telling".
Stap 5 — Evaluatie van de patholoog. De patholoog onderzoekt de door het model gemarkeerde regio's en tellingen; aanvaardt, corrigeert of verwerpt. Diagnose en beoordeling zijn aan de patholoog.
De grootste valkuil: variabiliteit bij het verven en scannen
Weefselcoupes worden meestal gekleurd met H&E (hematoxyline en eosine; de standaardkleurstof die de kernen blauwviolet en het cytoplasma roze kleurt). Maar de kleurintensiteit varieert aanzienlijk per laboratorium, kleurbatch, sectiedikte en scannermerk. Het menselijk oog past zich gemakkelijk aan deze verschillen aan; Het model is mogelijk niet compatibel.
Als een model heeft geleerd op basis van de roze-paarse tinten van laboratorium A, zullen de prestaties ervan afnemen bij de lichtere of donkerdere kleuring van laboratorium B. Dit fenomeen wordt domeinverschuiving genoemd en is de meest voorkomende oorzaak van falen in de digitale pathologie. Oplossingsbenaderingen: kleurnormalisatie (beelden naar een gemeenschappelijke kleurruimte verplaatsen), trainingsgegevens in meerdere centra en – het allerbelangrijkste – externe validatie in elk te gebruiken laboratorium.
Drie mini-hoesjes: volgens de cijfers
Geval 1 – Consistentie in mitotische telling. Mitotische tellingen bij de beoordeling van borstkanker zijn belangrijk, maar bewerkelijk en variëren van waarnemer tot waarnemer. Door AI-ondersteunde voorlopige tellingen in één laboratorium nam de overeenkomst (kappa) tussen twee pathologen toe van 0,55 naar 0,71, en nam de teltijd per objectglaasje af van 4 minuten naar 1,5 minuten. Elke definitieve telling werd echter bevestigd door de patholoog; Het model suggereerde, besloot de patholoog.
Geval 2 — Veldverschuivingshit. In het laboratorium dat een tumorsegmentatiemodel ontwikkelde, werkte het 93% van de tijd correct. Hetzelfde model overschatte systematisch het tumorgebied met 20% in het partnerlaboratorium met behulp van een andere scanner en kleurstof. Na kleurnormalisatie en revalidatie met 200 objectglaasjes uit dat laboratorium nam het verschil af tot een acceptabel niveau.
Geval 3 — Steekproefmisvatting. Eén model zei "geen" tumor op een glaasje; het model evalueerde echter alleen het gescande gebied en de tumor bevond zich in een niet-bemonsterde sectie. Pathologische diagnose is net zo goed als de selectie en bemonstering van objectglaasjes; AI "negatieve" output compenseert de ondersampling niet. Daarom betekent een negatief AI-resultaat alleen nooit ‘geen ziekte’.
Zwakke prompt/sterke prompt
Opmerking: De volgende aanwijzingen zijn bedoeld voor het configureren van het pathologierapport en de workflowtekst; Weefselbeelddiagnose is het werk van geverifieerde software en pathologen.
Zwakke prompt:
Is er volgens dit pathologierapport sprake van kanker? [rapport]
Krachtige prompt:
Jouw rol: Jij bent de structureringsassistent van het pathologierapport (JE BENT GEEN DIAGNOSE). Structureer het volgende anonieme pathologierapport: - Geef het specimentype, kleuring, tumortype/-graad, chirurgische marge, markers in een tabel. - Houd dubbelzinnige bewoordingen ("atypische, klinische correlatie aanbevolen") intact. - Voeg geen bevindingen toe die niet in de tekst staan; schrijf ‘niet gespecificeerd’ in het ontbrekende veld. – Noem ten slotte 3 punten die de patholoog moet bevestigen. Anoniem rapport:[tekst]
Vier kopieerbare sjablonen
1) Standaardisatie van rapporten:
Zet het volgende anonieme pathologierapport in gestructureerde velden (orgaan, diagnose, graad, marge, markerpercentages). Houd je aan de tekst. Rapport: [tekst]
2) Tokenconsistentiecontrole:
Maak een lijst van alle procentuele en numerieke markers (Ki-67, ER, PR, HER2) die in dit rapport worden genoemd; Markeer waarden die conflicteren met elkaar of met de diagnose. Rapport: [tekst]
3) Modelvalidatieplan (digitale pathologie):
Schrijf een conceptvalidatieplan voor een WSI-segmentatiemodel: kleurnormalisatie, multicenter externe validatie, patholoogovereenkomst (kappa), fieldshift-testen. Markeer de validatiepunten van de patholoog afzonderlijk.
4) Bemonsteringswaarschuwing toevoegen:
Voeg aan het volgende negatieve AI-resultaat het voorbehoud toe dat "de bemonstering beperkt kan zijn, een negatief resultaat sluit ziekte niet uit" en de vereiste voor bevestiging door een patholoog. Uitvoer: [tekst]
Rol van model: per taaktype
Taaktype
AI-bijdrage
kritiek
verificatie
Segmentatie van het tumorgebied
hoog
hoog
Patholoog + externe verificatie
Mitose/celtelling
hoog
hoog
Bevestiging patholoog
Percentage marker (Ki-67)
hoog
middelmatig
Referentievergelijking
Kwaliteitscontrole (focus/defect)
hoog
laag
controle ter plaatse
Rapportconfiguratie (tekst)
hoog
laag
Bevestiging patholoog
Tip: Vraag bij het beoordelen van een modelvoorstel in de digitale pathologie altijd: "Op welke kleurstoffen en scanners van laboratoria is dit model getraind en is het in mijn laboratorium gevalideerd?" Is het antwoord ‘nee’, dan gelden de prestatiecijfers nog niet voor u.
Let op: het feit dat de AI ‘geen tumor’ zegt, betekent niet dat er geen tumor in het niet-bemonsterde weefsel zit. Een negatief resultaat bij pathologie wordt beperkt door de kwaliteit van de bemonstering; het patroon kan deze limiet niet overschrijden en een negatief resultaat is geen diagnostische zekerheid.
Veel voorkomende fouten
- Onderschat de kleur-/kleurstofvariabiliteit. Velddrift is de meest voorkomende oorzaak van falen in de digitale pathologie.
- Train in één centrum en gebruik het overal. Verschillende browsers en kleuren zorgen voor stille prestatievermindering.
- Een negatief resultaat voor zekerheid aanzien. De steekproeflimiet kan niet door het model worden gecompenseerd.
- Het negeren van interobservatorvariabiliteit. Het model moet dienovereenkomstig worden geëvalueerd als de referentiestandaard zelf variabel is.
- Het elimineren van de patholoog. Tellen en segmenteren zijn ondersteuning; Diagnose en beoordeling rust bij de patholoog.
Samengevat
- Digitale pathologie analyseert gigapixel WSI-beelden door ze in tegels te verdelen; AI ondersteunt bij het tellen en segmenteren van cellen.
- De grootste technische valkuil is veldafwijking als gevolg van kleurings-/scanvariabiliteit; kleurnormalisatie en externe validatie zijn essentieel.
- Een negatief AI-resultaat wordt beperkt door de monsternamelimiet en biedt geen diagnostische zekerheid.
- De referentiestandaard en de interobservatorvariabiliteit vormen de context voor modelevaluatie.
- Diagnose, stadiëring en beoordeling vallen onder de verantwoordelijkheid van de patholoog; AI stelt geen diagnose.
Applicatie taak
Selecteer een hypothetisch digitaal pathologiemodel (bijvoorbeeld Ki-67-percentageberekening). Schrijf een extern validatieplan voor dit model: hoeveel objectglaasjes uit welke laboratoria, welke kleurnormalisatie, hoe u de overeenstemming van de pathologen gaat meten en hoe u de veldafwijking gaat testen. Schrijf vervolgens in één zin de beperkingswaarschuwing die moet worden toegevoegd aan de negatieve/positieve uitvoer van het model.
controlelijst
- [ ] Ik ken de stappen van scannen, tegelen, analyseren en samenstellen van de WSI-workflow.
- [ ] Ik begrijp hoe de variabiliteit van verf/scan veldafwijking veroorzaakt en hoe dit wordt beheerd.
- [ ] Ik begrijp dat het negatieve AI-resultaat wordt beperkt door de steekproeflimiet.
- [ ] Ik kan de concepten externe validatie en patholoog-instemming (kappa) gebruiken.
- [ ] Ik heb geïnternaliseerd dat de diagnose en beoordelingsbeslissing bij de patholoog blijft.