Прибыль:
- Способность объяснить поддержку ИИ для подсчета, сегментации и оценки ячеек в рабочем процессе всего изображения слайда (WSI).
- Способность распознавать влияние изменчивости окраски и сканирования на производительность модели и сдвиг предметной области.
- Возможность проверки результатов искусственного интеллекта по патологии с помощью эталонного стандарта, отбора проб и одобрения патологоанатома.
Патология — это раздел медицины, в котором заболевание выявляется путем исследования образца ткани под микроскопом; Здесь установлен «золотой стандарт» многих диагнозов рака. Цифровая патология — это оцифровка окрашенного среза ткани на предметном стекле с помощью сканера высокого разрешения. Полученный файл называется изображением всего слайда (сокращенно WSI); Один слайд может представлять собой гигантское изображение размером в гигапиксель, то есть в миллиарды пикселей. Искусственный интеллект поддерживает подсчет клеток, сегментацию областей и классификацию на этих огромных изображениях. В этом разделе мы увидим рабочий процесс WSI, его самую большую техническую ошибку: вариативность окрашивания/сканирования, а также то, почему так важно одобрение патологоанатома.
Скажем сразу: искусственный интеллект может быть счетчиком, предварительным сканером и вторым глазом при патологии; Но диагноз рака, решения о стадии и классификации принадлежат патологоанатому. Модель не занимается диагностикой.
Этапы рабочего процесса WSI
Шаг 1 — Скрининг и контроль качества. Предметное стекло сканируется; Такие дефекты, как расфокусировка, следы складок и пузырьки воздуха, могут быть обнаружены автоматически. Сканы плохого качества вообще не должны попадать в модель.
Шаг 2 — Удаление плитки (заплатки). Гигапиксельное изображение не может быть обработано напрямую; делится на небольшие квадраты (английский патч, обычно 256х256 или 512х512 пикселей). Модель оценивает каждый тайл отдельно, затем результаты объединяются.
Шаг 3 — Анализ тканей/клеток. Модель; Он выполняет такие задачи, как сегментация участков опухоли, подсчет митозов (делящихся клеток), плотность ядра или расчет маркера (например, скорости окрашивания Ki-67). Результатом является числовое измерение или тепловая карта.
Шаг 4 — Консолидация и отчетность. Результаты плитки объединяются на уровне слайда; Выводится сводная информация, например, «процент площади опухоли» или «количество митозов».
Шаг 5 — Оценка патологоанатома. Патологоанатом исследует области и считает, отмеченные моделью; принимает, исправляет или отклоняет. Диагностика и классификация зависят от патологоанатома.
Самая большая ловушка: вариативность окрашивания и сканирования
Срезы тканей обычно окрашивают H&E (гематоксилин и эозин; стандартный краситель, окрашивающий ядра в сине-фиолетовый цвет, а цитоплазму в розовый цвет). Но интенсивность окрашивания заметно варьируется в зависимости от лаборатории, партии красителей, толщины среза и марки сканера. Человеческий глаз легко адаптируется к этим различиям; Модель может быть несовместима.
Если модель обучалась на основе розово-фиолетовых тонов лаборатории А, ее производительность будет снижаться при более бледном или темном окрашивании лаборатории Б. Это явление называется сдвигом домена и является наиболее распространенной причиной сбоя при цифровой патологии. Подходы к решению: нормализация цвета (перемещение изображений в общее цветовое пространство), данные многоцентрового обучения и, что наиболее важно, внешняя проверка в каждой лаборатории, которая будет использоваться.
Три мини-кейса: в цифрах
Случай 1. Стабильность количества митозов. Подсчет митозов при оценке рака молочной железы важен, но трудоемок и варьируется от наблюдателя к наблюдателю. При предварительном подсчете с помощью искусственного интеллекта в одной лаборатории согласие (каппа) между двумя патологами увеличилось с 0,55 до 0,71, а время счета на предметное стекло сократилось с 4 минут до 1,5 минут. Однако каждый окончательный подсчет подтверждался патологоанатомом; Модель предложила, решил патологоанатом.
Случай 2 — Произошла смена поля. В лаборатории, разработавшей модель сегментации опухоли, она работала правильно в 93% случаев. Та же модель систематически переоценивала площадь опухоли на 20% в партнерской лаборатории с использованием другого сканера и красителя. После нормализации цвета и повторной проверки на 200 предметных стеклах из этой лаборатории разница уменьшилась до приемлемого уровня.
Случай 3 — Ошибка выборки. Одна модель сказала «нет» опухоли на слайде; однако модель оценивала только отсканированную область, а опухоль находилась в необработанном участке. Диагностика патологии так же эффективна, как выбор слайдов и взятие проб; «Отрицательный» выход AI не компенсирует недостаточную дискретизацию. Вот почему сам по себе отрицательный результат ИИ никогда не означает «отсутствие болезни».
Слабая подсказка/Сильная подсказка
Примечание. Следующие запросы предназначены для настройки отчета о патологии и текста рабочего процесса; Диагностика изображений тканей — это работа проверенного программного обеспечения и патологоанатомов.
Слабая подсказка:
Согласно этому отчету о патологии, существует ли рак? [отчет]
Мощная подсказка:
Ваша роль: Вы помощник по структурированию отчета о патологии (ВЫ НЕ ДИАГНОЗ). Структурируйте следующий анонимный отчет о патологии: - Укажите тип образца, окраску, тип/степень опухоли, хирургический край, маркеры. - Сохраняйте двусмысленные формулировки («атипичные, рекомендуется клиническая корреляция») без изменений. - Не добавляйте никаких результатов, которых нет в тексте; в недостающем поле напишите «не указано».- Наконец, перечислите 3 пункта, которые должен подтвердить патологоанатом. Анонимный отчет:[текст]
Четыре копируемых шаблона
1) Стандартизация отчетов:
Постройте следующий анонимный отчет о патологии в структурированных полях (орган, диагноз, степень, граница, процентное содержание маркеров). Придерживайтесь текста. Отчет: [текст]
2) Проверка целостности токена:
Перечислите все процентные и числовые маркеры (Ki-67, ER, PR, HER2), упомянутые в этом отчете; Отметьте значения, противоречащие друг другу или диагнозу. Отчет: [текст]
3) План проверки модели (цифровая патология):
Напишите черновой план проверки модели сегментации WSI: нормализация цвета, многоцентровая внешняя проверка, соглашение патологоанатома (каппа), тестирование сдвига поля. Отметьте точки проверки патологоанатома отдельно.
4) Добавление предупреждения о выборке:
Добавьте к следующему отрицательному результату ИИ оговорку о том, что «отбор проб может быть ограничен, отрицательный результат не исключает заболевания» и требование подтверждения патологоанатома. Вывод: [текст]
Роль модели: по типу задачи
Тип задачи
Вклад ИИ
критичность
проверка
Сегментация области опухоли
высокий
высокий
Патологоанатом + внешняя проверка
Митоз/количество клеток
высокий
высокий
Подтверждение патологоанатома
Процент маркера (Ki-67)
высокий
средний
Эталонное сравнение
Контроль качества (фокус/дефект)
высокий
низкий
выборочная проверка
Конфигурация отчета (текст)
высокий
низкий
Подтверждение патологоанатома
Совет: Оценивая предложенную модель в области цифровой патологии, всегда спрашивайте: «В каких лабораториях изучалась эта модель и была ли она проверена в моей лаборатории?» Если ответ «нет», показатели производительности к вам пока не относятся.
Внимание: тот факт, что ИИ говорит «нет опухоли», не означает, что в ткани без образца нет опухоли. Отрицательный результат при патологии ограничивается качеством забора проб; картина не может превышать этот предел, и отрицательный результат не является диагностической гарантией.
Распространенные ошибки
- Недооценка изменчивости цвета/краски. Дрейф поля является наиболее распространенной причиной сбоя при цифровой патологии.
- Обучайтесь в одном центре и используйте везде. Другой браузер и цветовая гамма приводят к бесшумному снижению производительности.
- Принятие отрицательного результата за уверенность. Предел выборки не может быть компенсирован моделью.
- Игнорирование изменчивости между наблюдателями. Модель следует оценивать соответствующим образом, если сам эталонный стандарт является переменным.
- Устранение патологоанатома. Поддержка подсчета и сегментации; Диагностика и оценка остаются с патологоанатомом.
В заключение
- Цифровая патология анализирует гигапиксельные изображения WSI, разделяя их на плитки; ИИ поддерживает подсчет и сегментацию ячеек.
- Самая большая техническая ловушка — дрейф поля из-за изменчивости окрашивания/сканирования; нормализация цвета и внешняя проверка имеют важное значение.
- Отрицательный результат ИИ ограничен пределом выборки и не обеспечивает диагностической уверенности.
- Эталонный стандарт и вариабельность между наблюдателями являются контекстом для оценки модели.
- Диагностика, постановка и классификация являются обязанностью патологоанатома; ИИ не ставит диагноз.
Задача приложения
Выберите гипотетическую цифровую модель патологии (например, расчет процента Ki-67). Напишите план внешней проверки для этой модели: сколько слайдов из каких лабораторий, какая нормализация цвета, как вы будете измерять согласие патологоанатомов и как вы будете проверять дрейф поля. Затем напишите в одном предложении предупреждение об ограничении, которое следует добавить к отрицательному/положительному выводу модели.
контрольный список
- [ ] Я знаю этапы сканирования, разбивки, анализа и компоновки рабочего процесса WSI.
- [ ] Я понимаю, как изменчивость рисования/сканирования вызывает дрейф поля и как с этим бороться.
- [ ] Я понимаю, что отрицательный результат ИИ ограничен пределом выборки.
- [ ] Я могу использовать концепции внешней проверки и соглашения патологоанатома (каппа).
- [ ] Я усвоил, что решение о диагнозе и классификации остается за патологоанатомом.