Zyski:
- Umiejętność wyjaśnienia obsługi sztucznej inteligencji w zakresie liczenia, segmentacji i oceniania komórek w przepływie pracy dotyczącym całego obrazu slajdu (WSI)
- Umiejętność rozpoznania wpływu zmienności malowania i skanowania na wydajność modelu i zmianę domeny
- Możliwość walidacji wyników AI w zakresie patologii za pomocą standardu referencyjnego, pobierania próbek i zgody patologa
Patologia to dziedzina medycyny, w której chorobę rozpoznaje się na podstawie badania próbki tkanki pod mikroskopem; Tutaj ustanawia się „złoty standard” wielu diagnoz raka. Patologia cyfrowa to digitalizacja wybarwionego fragmentu tkanki na szkiełku za pomocą skanera o wysokiej rozdzielczości. Wynikowy plik nazywany jest obrazem całego slajdu (w skrócie WSI); Pojedynczy slajd może być gigantycznym obrazem o rozmiarze gigapiksela, czyli miliardów pikseli. Sztuczna inteligencja obsługuje liczenie komórek, segmentację regionów i ocenę na tych ogromnych obrazach. W tym rozdziale przyjrzymy się procesowi pracy WSI, jego największej pułapce technicznej: zmienności barwienia/skanowania oraz temu, dlaczego zgoda patologa jest niezbędna.
Ustalmy od początku: sztuczna inteligencja może być licznikiem, wstępnym skanerem i drugim okiem w patologii; Jednak diagnoza nowotworu, jego stopień zaawansowania i ocena należą do patologa. Model nie diagnozuje.
Etapy przepływu pracy WSI
Krok 1 — Przegląd i kontrola jakości. Szklane szkiełko jest skanowane; Defekty takie jak rozmycie ostrości, zagięcia i pęcherzyki powietrza mogą być wykrywane automatycznie. Skany słabej jakości nie powinny w ogóle trafiać do modelu.
Krok 2 — Usunięcie płytki (łatki). Obrazu gigapikselowego nie można przetwarzać bezpośrednio; jest podzielony na małe kwadraty (angielski patch, zazwyczaj 256x256 lub 512x512 pikseli). Model ocenia każdą płytkę osobno, a następnie wyniki są łączone.
Krok 3 — Analiza tkanki/komórki. Model; Wykonuje takie zadania jak segmentacja miejsca nowotworu, zliczanie mitozy (dzielących się komórek), gęstość jądrowa czy obliczanie markera (np. współczynnika barwienia Ki-67). Wynikiem jest pomiar numeryczny lub mapa cieplna.
Krok 4 — Konsolidacja i raportowanie. Wyniki kafelków są łączone na poziomie slajdu; Generowane jest podsumowanie, na przykład „procent powierzchni guza” lub „liczba mitotyczna”.
Krok 5 — Ocena patologa. Patolog bada regiony i liczebności zaznaczone w modelu; akceptuje, poprawia lub odrzuca. Diagnoza i ocena zależą od patologa.
Największa pułapka: zmienność barwienia i skanowania
Skrawki tkanek są zwykle barwione H&E (hematoksyliną i eozyną; standardowym barwnikiem, który barwi jądra na niebiesko-fioletowo, a cytoplazmę na różowo). Jednak intensywność barwienia różni się znacznie w zależności od laboratorium, partii barwienia, grubości skrawku i marki skanera. Ludzkie oko łatwo przystosowuje się do tych różnic; Model może nie być kompatybilny.
Jeśli model nauczył się na podstawie różowo-fioletowych tonów laboratorium A, jego działanie spadnie w przypadku jaśniejszego lub ciemniejszego zabarwienia laboratorium B. Zjawisko to nazywa się przesunięciem domeny i jest najczęstszą przyczyną niepowodzeń w patologii cyfrowej. Podejścia do rozwiązań: normalizacja kolorów (przenoszenie obrazów do wspólnej przestrzeni kolorów), wieloośrodkowe dane szkoleniowe i — co najważniejsze — zewnętrzna walidacja w każdym laboratorium, które ma zostać wykorzystane.
Trzy mini etui: w liczbach
Przypadek 1 — Spójność w liczbie mitotycznej. Liczenie mitotyczne w ocenie raka piersi jest ważne, ale pracochłonne i zmienne w zależności od obserwatora. Wstępne liczenie wspomagane sztuczną inteligencją w jednym laboratorium, zgodność (kappa) między dwoma patologami wzrosła z 0,55 do 0,71, a czas liczenia na szkiełko skrócił się z 4 minut do 1,5 minuty. Jednakże każde ostateczne obliczenie zostało potwierdzone przez patologa; Model zasugerowany, zdecydował patolog.
Przypadek 2 — Trafienie w wyniku zmiany pola. W laboratorium, które opracowało model segmentacji guza, działał on poprawnie w 93% przypadków. Ten sam model systematycznie przeszacowywał obszar guza o 20% w partnerskim laboratorium, stosując inny skaner i barwnik. Po normalizacji kolorów i ponownej walidacji na 200 preparatach z tego laboratorium różnica zmniejszyła się do akceptowalnego poziomu.
Przypadek 3 — Błąd próbkowania. Jeden z modeli stwierdził na szkiełku „nie” guza; jednakże model oceniał jedynie skanowany obszar, a guz znajdował się w kawałku, z którego nie pobrano próbki. Diagnostyka patologiczna jest równie dobra, jak wybór slajdów i pobieranie próbek; „Ujemne” wyjście AI nie kompensuje podpróbkowania. Dlatego sam negatywny wynik AI nigdy nie oznacza „braku choroby”.
Słaba podpowiedź/silna podpowiedź
Uwaga: Poniższe monity służą do konfiguracji raportu patologicznego i tekstu przepływu pracy; Diagnostyka obrazu tkanek jest dziełem sprawdzonego oprogramowania i patologów.
Słaba zachęta:
Czy według tego raportu patologicznego istnieje rak? [raport]
Potężny monit:
Twoja rola: Jesteś asystentem w przygotowaniu raportu patologicznego (NIE JESTEŚ DIAGNOZĄ). Ułóż następujący anonimowy raport patologiczny: - Zapisz typ próbki, barwienie, typ/stopień guza, margines chirurgiczny, znaczniki. - Zachowaj niejednoznaczne sformułowania („zalecana nietypowa, zalecana korelacja kliniczna”) w nienaruszonym stanie. - Nie dodawaj żadnych ustaleń, których nie ma w tekście; w brakujące pole wpisz „nieokreślony”.- Na koniec wpisz 3 punkty, które patolog powinien potwierdzić.Raport anonimowy:[tekst]
Cztery szablony do kopiowania
1) Standaryzacja raportów:
Narysuj poniższy anonimowy raport patologiczny w uporządkowanych polach (narząd, diagnoza, stopień, margines, wartości procentowe znaczników). Trzymaj się tekstu. Raport: [tekst]
2) Kontrola spójności tokena:
Wymień wszystkie wskaźniki procentowe i liczbowe (Ki-67, ER, PR, HER2) wymienione w tym raporcie; Zaznacz wartości, które są ze sobą sprzeczne lub z diagnozą. Raport: [tekst]
3) Plan walidacji modelu (patologia cyfrowa):
Napisz projekt planu walidacji modelu segmentacji WSI: normalizacja kolorów, wieloośrodkowa walidacja zewnętrzna, zgoda patologa (kappa), badanie przesunięcia terenowego. Oddzielnie zaznaczaj punkty walidacyjne patologa.
4) Dodanie ostrzeżenia dotyczącego pobierania próbek:
Do poniższego negatywnego wyniku AI należy dodać zastrzeżenie, że „pobieranie próbek może być ograniczone, wynik negatywny nie wyklucza choroby” oraz wymóg potwierdzenia przez patologa. Wynik: [tekst]
Rola modela: Według typu zadania
Typ zadania
Wkład AI
krytyczność
weryfikacja
Segmentacja obszaru nowotworu
wysoki
wysoki
Patolog + weryfikacja zewnętrzna
Mitoza/liczba komórek
wysoki
wysoki
Potwierdzenie patologa
Procent znacznika (Ki-67)
wysoki
średni
Porównanie referencji
Kontrola jakości (fokus/wada)
wysoki
niski
kontrola na miejscu
Konfiguracja raportu (tekst)
wysoki
niski
Potwierdzenie patologa
Wskazówka: Oceniając propozycję modelu w patologii cyfrowej, zawsze pytaj: „W jakich laboratoriach plamiących i skanerach przeszkolono ten model i czy został on zatwierdzony w moim laboratorium?” Jeśli odpowiedź brzmi „nie”, dane dotyczące wydajności jeszcze Cię nie dotyczą.
Uwaga: To, że sztuczna inteligencja mówi „brak guza”, nie oznacza, że w niepróbkowanej tkance nie ma guza. Wynik negatywny w patologii jest ograniczony jakością pobierania próbek; wzór nie może przekroczyć tego limitu, a wynik ujemny nie gwarantuje diagnozy.
Typowe błędy
- Niedocenianie zmienności koloru/barwnika. Dryft pola jest najczęstszą przyczyną niepowodzeń w patologii cyfrowej.
- Trenuj w jednym ośrodku i korzystaj wszędzie. Inna przeglądarka i kolorystyka powodują cichą degradację wydajności.
- Mylenie wyniku ujemnego z pewnością. Model nie może skompensować limitu próbkowania.
- Ignorowanie zmienności między obserwatorami. Model należy odpowiednio ocenić, jeżeli sam standard odniesienia jest zmienny.
- Eliminacja patologa. Liczenie i segmentacja są wsparciem; Diagnoza i ocena pozostają w gestii patologa.
Podsumowując
- Patologia cyfrowa analizuje gigapikselowe obrazy WSI, dzieląc je na kafelki; AI wspiera liczenie i segmentację komórek.
- Największą pułapką techniczną jest znoszenie pola spowodowane zmiennością barwienia/skanowania; Niezbędna jest normalizacja kolorów i weryfikacja zewnętrzna.
- Ujemny wynik AI jest ograniczony limitem pobierania próbek i nie zapewnia pewności diagnostycznej.
- Kontekstem oceny modelu jest standard odniesienia i zmienność między obserwatorami.
- Za diagnozę, stopień zaawansowania i ocenę odpowiada patolog; AI nie diagnozuje.
Zadanie aplikacji
Wybierz hipotetyczny cyfrowy model patologii (np. obliczenie procentu Ki-67). Napisz plan zewnętrznej walidacji dla tego modelu: ile slajdów z jakich laboratoriów, jaka normalizacja kolorów, w jaki sposób zmierzysz zgodność patologa i jak przetestujesz dryft pola. Następnie napisz w jednym zdaniu ostrzeżenie o ograniczeniach, które należy dodać do ujemnego/dodatniego wyniku modelu.
lista kontrolna
- [ ] Znam etapy skanowania, układania, analizy i komponowania w przepływie pracy WSI.
- [ ] Rozumiem, w jaki sposób zmienność farby/skanu powoduje dryf pola i jak sobie z tym radzić.
- [ ] Rozumiem, że negatywny wynik AI jest ograniczony limitem próbkowania.
- [ ] Potrafię posługiwać się koncepcjami walidacji zewnętrznej i zgody patologa (kappa).
- [ ] Przyjąłem do wiadomości, że decyzja o diagnozie i ocenie należy do patologa.