Câștiguri:
- Capacitatea de a explica suportul AI pentru numărarea celulelor, segmentarea și gradarea într-un flux de lucru întreg de imagine de diapozitive (WSI)
- Abilitatea de a recunoaște efectul variabilității pictării și scanării asupra performanței modelului și a schimbării domeniului
- Abilitatea de a valida rezultatele AI ale patologiei cu standard de referință, eșantionare și aprobare a patologului
Patologia este ramura medicinei în care boala este identificată prin examinarea unei probe de țesut la microscop; Aici se face „standardul de aur” al multor diagnostice de cancer. Patologia digitală este digitizarea unei secțiuni de țesut colorat pe o lamă de sticlă cu un scaner de înaltă rezoluție. Fișierul rezultat se numește o imagine întreagă de diapozitive (WSI pe scurt); Un singur diapozitiv poate fi o imagine gigantică de dimensiune gigapixeli, adică miliarde de pixeli. Inteligența artificială sprijină numărarea celulelor, segmentarea regiunilor și gradarea în aceste imagini uriașe. În această unitate vom vedea fluxul de lucru WSI, cea mai mare capcană tehnică: variabilitatea colorării/scanării și de ce aprobarea patologului este esențială.
Să precizăm de la început: inteligența artificială poate fi un contor, un scaner preliminar și un al doilea ochi în patologie; Dar deciziile de diagnosticare a cancerului, stadializare și gradare aparțin patologului. Modelul nu pune diagnosticul.
Etapele fluxului de lucru WSI
Pasul 1 — Screening și controlul calității. Lama de sticlă este scanată; Defecte precum defocalizarea, urmele de pliere și bulele de aer pot fi detectate automat. Scanările de proastă calitate nu ar trebui să intre deloc în model.
Pasul 2 — Îndepărtarea plăcilor (plasticului). Imaginea gigapixel nu poate fi procesată direct; este împărțit în pătrate mici (patch în limba engleză, de obicei 256x256 sau 512x512 pixeli). Modelul evaluează fiecare țiglă separat, apoi rezultatele sunt combinate.
Pasul 3 — Analiza țesuturilor/celulelor. Model; Îndeplinește sarcini precum segmentarea locului tumoral, numărarea mitozei (diviziunea celulelor), densitatea nucleară sau calcularea unui marker (de exemplu rata de colorare Ki-67). Ieșirea este o măsurătoare numerică sau o hartă termică.
Pasul 4 — Consolidare și raportare. Rezultatele plăcilor sunt combinate la nivel de slide; Se produce un rezumat, de exemplu, „procent din zona tumorii” sau „număr mitotic”.
Pasul 5 — Evaluarea patologului. Medicul patolog examinează regiunile și numără marcate de model; acceptă, corectează sau respinge. Diagnosticul și clasificarea sunt la latitudinea patologului.
Cel mai mare capcan: Variabilitatea vopsirii și scanării
Secțiunile de țesut sunt de obicei colorate cu H&E (hematoxilină și eozină; colorantul standard care colorează nucleele în albastru-violet și citoplasma în roz). Dar intensitatea colorării variază semnificativ în funcție de laborator, lotul de colorare, grosimea secțiunii și marca scanerului. Ochiul uman se adaptează cu ușurință la aceste diferențe; Este posibil ca modelul să nu fie compatibil.
Dacă un model a învățat pe baza tonurilor roz-violet ale laboratorului A, performanța sa va scădea pe colorarea mai palida sau mai închisă a laboratorului B. Acest fenomen se numește schimbare de domeniu și este cea mai frecventă cauză a eșecului în patologia digitală. Abordări ale soluției: normalizarea culorilor (imaginile în mișcare într-un spațiu de culoare comun), date de antrenament multicentric și, cel mai important, validare externă la fiecare laborator care urmează să fie utilizat.
Trei mini carcase: după cifre
Cazul 1 – Consecvența numărului mitotic. Numărarea mitotică în evaluarea cancerului de sân este importantă, dar laborioasă și variabilă de la observator la observator. Numărarea preliminară asistată de IA într-un singur laborator, acordul (kappa) între doi patologi a crescut de la 0,55 la 0,71, iar timpul de numărare per lamă a scăzut de la 4 minute la 1,5 minute. Cu toate acestea, fiecare numărare finală a fost confirmată de către patolog; Modelul sugerat, a decis patologul.
Cazul 2 — Lovitură de schimbare a câmpului. În laboratorul care a dezvoltat un model de segmentare a tumorii, acesta a funcționat corect în 93% din timp. Același model a supraestimat sistematic aria tumorii cu 20% în laboratorul partener folosind un scaner și un colorant diferit. După normalizarea culorii și revalidarea cu 200 de lame din acel laborator, diferența a scăzut la un nivel acceptabil.
Cazul 3 – Eroare de eșantionare. Un model a spus „nu” tumoră pe o lamă; cu toate acestea, modelul a evaluat doar zona scanată și tumora a fost într-o secțiune neprelevată. Diagnosticul patologic este la fel de bun ca selectarea și prelevarea de lame; Ieșirea „negativă” AI nu compensează subeșantionarea. De aceea, un rezultat negativ al IA nu înseamnă niciodată „fără boală”.
Solicitare slabă / Solicitare puternică
Notă: Următoarele solicitări sunt pentru configurarea raportului de patologie și a textului fluxului de lucru; Diagnosticul de imagine a țesuturilor este opera de software verificat și patologi.
Prompt slab:
Conform acestui raport de patologie, există cancer? [raport]
Solicitare puternică:
Rolul dvs.: Sunteți asistentul de structurare a raportului de patologie (NU SUNTEȚI DIAGNOSTIC). Structurați următorul raport de patologie anonimă:- Tabel tipul specimenului, colorarea, tipul/gradul tumorii, marginea chirurgicală, markerii.- Păstrați intactă formularea ambiguă („atipic, corelație clinică recomandată”).- Nu adăugați constatări care nu sunt în text; scrieți „nespecificat” în câmpul lipsă.- În cele din urmă, enumerați 3 puncte pe care medicul patolog ar trebui să le confirme. Raport anonim:[text]
Patru șabloane copiabile
1) Standardizarea raportului:
Trasează următorul raport de patologie anonimă în câmpuri structurate (organ, diagnostic, grad, marjă, procente de marker). Rămâneți la text. Raport: [text]
2) Verificarea consistenței simbolului:
Listați toți markerii procentuali și numerici (Ki-67, ER, PR, HER2) menționați în acest raport; Marcați valorile care sunt în conflict între ele sau cu diagnosticul. Raport: [text]
3) Plan de validare model (patologie digitală):
Scrieți o schiță de plan de validare pentru un model de segmentare WSI: normalizarea culorilor, validarea externă multicentrică, acordul patologului (kappa), testarea deplasării pe teren. Marcați separat punctele de validare a patologului.
4) Adăugarea avertismentului de eșantionare:
Adăugați la următorul rezultat negativ AI avertismentul că „prelevarea de probe poate fi limitată, un rezultat negativ nu exclude boala” și cerința pentru confirmarea patologului. Ieșire: [text]
Rolul modelului: după tipul de activitate
Tip de sarcină
Contribuția AI
criticitate
verificarea
Segmentarea regiunii tumorale
înalt
înalt
Patolog + verificare externă
Mitoză/număr de celule
înalt
înalt
Confirmarea patologului
Procent de marker (Ki-67)
înalt
mediu
Comparație de referință
Controlul calității (concentrare/defect)
înalt
scăzută
verificare la fața locului
Configurare raport (text)
înalt
scăzută
Confirmarea patologului
Sfat: Când evaluați o propunere de model în patologie digitală, întrebați întotdeauna: „Pe ce coloratoare și scanere ale laboratoarelor a fost instruit acest model și a fost validat în laboratorul meu?” Dacă răspunsul este „nu”, cifrele de performanță nu vi se aplică încă.
Atenție: Doar pentru că AI spune „fără tumoare” nu înseamnă că nu există tumoră în țesutul neprelevat. Un rezultat negativ în patologie este limitat de calitatea prelevării; modelul nu poate depăși această limită și un rezultat negativ nu este asigurarea diagnosticului.
Greșeli comune
- Subestimarea variabilitatii culorii/colorantului. Deriva câmpului este cea mai frecventă cauză a eșecului în patologia digitală.
- Antrenează-te într-un singur centru și folosește peste tot. Browser și colorare diferite creează o degradare silențioasă a performanței.
- Confundarea unui rezultat negativ cu asigurarea. Limita de eșantionare nu poate fi compensată de model.
- Ignorarea variabilității interobservatori. Modelul trebuie evaluat în consecință dacă standardul de referință în sine este variabil.
- Eliminarea patologului. Numărarea și segmentarea sunt suport; Diagnosticul și gradarea revin medicului patolog.
Pe scurt
- Patologia digitală analizează imaginile WSI gigapixeli împărțindu-le în plăci; AI suportă numărarea și segmentarea celulelor.
- Cea mai mare capcană tehnică este deplasarea câmpului din cauza variabilității colorării/scanării; normalizarea culorilor și validarea externă sunt esențiale.
- Un rezultat negativ al IA este limitat de limita de eșantionare și nu oferă o asigurare a diagnosticului.
- Standardul de referință și variabilitatea interobservatori sunt contextul pentru evaluarea modelului.
- Diagnosticul, stadializarea și gradarea sunt responsabilitatea patologului; AI nu diagnostichează.
Sarcina de aplicare
Selectați un model de patologie digitală ipotetică (de exemplu, calculul procentului Ki-67). Scrieți un plan extern de validare pentru acest model: câte diapozitive din ce laboratoare, ce normalizare a culorilor, cum veți măsura acordul patologului și cum veți testa deriva de câmp. Apoi scrieți într-o propoziție avertismentul de constrângere care ar trebui adăugat la rezultatul negativ/pozitiv al modelului.
lista de verificare
- [ ] Cunosc etapele de scanare, aranjare, analiză și compunere ai fluxului de lucru WSI.
- [ ] Înțeleg cum variabilitatea vopselei/scanării cauzează deviația câmpului și cum este gestionată.
- [ ] Înțeleg că rezultatul negativ AI este limitat de limita de eșantionare.
- [ ] Pot folosi conceptele de validare externă și acordul patologului (kappa).
- [ ] Am interiorizat că decizia diagnosticului și a gradării rămâne la anatomopatolog.