Прибыль:
- Узнайте, как работает предварительная классификация изображений с помощью искусственного интеллекта (периферийный мазок, осадок мочи, колонии) и что она ускоряет.
- Возможность использовать предварительную классификацию ИИ только в качестве скрининга и оставлять диагностику аномальных и критических клеток/микроорганизмов на усмотрение экспертов.
- Способность распознавать ограничения моделей изображений (редкие клетки, артефакты, качество окрашивания, сдвиг распределения) и управлять риском ложноотрицательных результатов.
Микроскоп — старейший, но по-прежнему самый мощный инструмент медицинской лаборатории. Форма клеток в мазке крови, кристаллы в осадке мочи, цвет и расположение бактерий в окраске по Граму — все это закономерности, которые тренированный глаз может прочитать за секунды, но чтобы начать работу, требуются годы опыта. В последние годы в этот микроскопический мир вошел анализ изображений с помощью искусственного интеллекта: он автоматически предварительно классифицирует отсканированные цифровым способом препараты, исключая те, которые кажутся нормальными, и направляя внимание специалиста на области, которые действительно требуют исследования. Это огромный выигрыш в скорости, но это также одна из областей, где границы следует проводить наиболее тщательно, поскольку ложноотрицательный результат (отсутствие истинной патологии) означает, что прямой диагноз упущен.
Как в этом модуле работает предварительная классификация изображений с поддержкой искусственного интеллекта; периферический мазок, осадок мочи и его использование в микробиологии; и мы рассмотрим границы модели (редкие клетки, артефакт, качество окрашивания, сдвиг распределения). Основной принцип: предварительная классификация ИИ — это скрининг, а не диагноз; Диагностика и окончательное утверждение отклонений от нормы и критических результатов принадлежит специалисту.
Как работает предварительная классификация изображений
Модели изображений ИИ учатся классифицировать ячейку или структуру путем обучения на большом количестве помеченных примеров. В цифровом гематологическом анализаторе прибор сканирует мазок крови, захватывает отдельные клетки и по образцу распределяет каждую по классу (нейтрофилы, лимфоциты, моноциты, эозинофилы, базофилы и т. д.). Эксперту представлены предварительно классифицированные ячейки в виде галереи; Эксперт подтверждает, исправляет или переклассифицирует. Аналогичным образом анализаторы осадка мочи обнаруживают эритроциты, лейкоциты, эпителий, кристаллы и цилиндры; Некоторые микробиологические системы предварительно оценивают количество колоний и закономерности роста.
Выходные данные модели содержат два компонента: класс (эта клетка является нейтрофилом) и показатель уверенности (насколько она уверена в этой классификации). Клетки с низким уровнем достоверности или помеченные как «атипичные/неидентифицированные» следует обязательно направить к специалисту. Обратите внимание, что модель может ошибочно классифицировать ячейку с высокой степенью достоверности; Оценка уверенности не является гарантией точности.
Приложение
Предварительная работа с ИИ
работа эксперта
периферический мазок
Предварительная сортировка ячеек, обслуживание галереи
Аномальное/бластное/атипичное подтверждение, морфологическая интерпретация
осадок мочи
Предварительное распознавание и подсчет элементов
Подтверждение кристаллов/слепков/патологических клеток
Микробиология (колония)
Подсчет колоний, предварительная оценка роста
Различие типов, клиническое значение
Костный мозг/патология
Маркировка поля/ячейки
Диагностическая интерпретация, одобрение врача
Почему модель является «скринингом», а не диагнозом
Самый ценный вклад моделей изображений заключается в том, что они экономят время эксперта, быстро передавая обычные и распространенные закономерности. Но полагаться на модель для принятия диагностических решений опасно по трем причинам:
- Редкие находки. Модель может не распознавать редкую клетку (например, бласт, паразит, атипичный лимфоцит), которую она редко видит в обучающих данных. Наиболее важные открытия часто оказываются самыми редкими; Именно здесь ложноотрицательный результат наиболее опасен.
- Артефакт и живопись. Качество окрашивания, толщина препарата и артефакты при высыхании могут ввести модель в заблуждение. На плохо окрашенном препарате модель может смело ошибочно классифицироваться.
- Сдвиг раздачи. Если модель обучена с использованием устройства и протокола окрашивания одной лаборатории, ее производительность может снизиться при использовании другого устройства/окрашивания. Если ваша популяция отличается от обучающей популяции, модель будет работать хуже, чем ожидалось.
Внимание: «Модель сказала, что это нормально, я не смотрел» — это самый распространенный способ пропустить ложноотрицательный результат. При наличии аномального клинического подозрения (например, предварительный диагноз лейкоза) мазок исследуется специалистом, независимо от того, что говорит модель.
Шаг за шагом: безопасный процесс предварительной оценки изображений
- Проверьте качество окрашивания и подготовки. Плохая подготовка вводит в заблуждение и модель, и глаз; в первую очередь обеспечьте качество.
- Получите предварительную классификацию модели как галерею. Быстро просмотрите обычные классы строгого режима.
- Сначала изучите те, которые отмечены как «низкая достоверность» и «атипичные». Если модель неясна, решение за вами.
- Держите клиническую подозрительность выше модели. Выполните полную ручную проверку случая, когда ожидается отклонение от нормы.
- Проверьте и сообщите о важных выводах. Такие данные, как бласты, паразиты и злокачественные клетки, подтверждаются экспертом; При необходимости он передается врачу.
Примечание. Помимо использования искусственного интеллекта в качестве компонента устройства визуализации в этом устройстве, существует также ограничение при работе с языковой моделью: загрузка изображений подготовки пациента в общедоступный языковой инструмент представляет собой угрозу конфиденциальности, а полагаться на непроверенный инструмент для клинической диагностики неправильно. Диагностика изображений выполняется с использованием проверенных клинических систем и экспертных глаз.
Слабая подсказка / Сильная подсказка
Следующее сравнение применимо при использовании ИИ в качестве текстовой поддержки (например, для редактирования примечания по морфологии или подготовки описания учебного пособия); не для решения диагностического изображения.
Слабая подсказка:
Продиагностируйте, что находится в этом мазке крови. [изображение]
Эта подсказка запрашивает у ИИ диагноз; тогда как языковой инструмент не проверен для клинической диагностики, а изображение пациента представляет риск с точки зрения конфиденциальности. Это неправильное и опасное использование.
Мощная подсказка:
Ваша роль: ассистент по подготовке текста обучения/отчета для специалиста лаборатории. ДИАГНОСТИКА; Интерпретация изображений — моя работа. Ниже я пишу свои собственные морфологические наблюдения (анонимно); Превратите их в аккуратный проект отчета о мазках и отметьте те выводы, которые требуют экспертного подтверждения. Мои наблюдения: преобладание нейтрофилов, небольшой сдвиг влево, несколько атипичных лимфоцитов[подтверждение специалиста], впечатление токсических грануляций. Не предполагайте окончательный диагноз.
Сильная воля хранит диагноз у эксперта, использует ИИ только для организации собственных наблюдений и отмечает выводы, требующие подтверждения.
три мини-кейса
Случай 1 — Эффективное устранение. В гематологической лаборатории цифровой анализатор предварительно сортирует 220 мазков крови в день. Из них 150 имеют совершенно нормальные закономерности и высокие показатели достоверности; Эксперт быстро рассматривает и утверждает их через галерею. Остальные 70 мазков (с низкой степенью достоверности или помеченные) подвергаются полной ручной проверке. Результат: время специалиста концентрируется на делах, которые действительно требуют обследования, общее время существенно сокращается. Модель устранена, эксперт осмотрел.
Случай 2 — Ускользнул от взрыва. В одном случае модель с низкой достоверностью пометила несколько клеток как «атипичные лимфоциты», но эксперт быстро подтвердил это и прошел через галерею из-за плотности. В дальнейшем клиническое состояние больного ухудшается; При повторном исследовании мазка видно, что эти клетки на самом деле являются бластами. Урок: ячейки, которые модель помечает как «низкая достоверность/атипичные», никогда не проверяются быстро; Там может быть спрятана самая важная находка. Ложноотрицательный результат – самая дорогая ошибка.
Случай 3 — Артефакт окрашивания. На анализаторе осадка мочи рисунок отмечает многочисленные «кристаллы» в плохо окрашенном препарате. При осмотре препарата эксперт видит, что это окрашивающие осадки (артефакты); Настоящего кристалла нет. Подготовка возобновляется. Урок: модель может принять артефакт за реальную структуру; Качество препарата всегда проверяется в первую очередь.
Копируемые шаблоны подсказок
ШАБЛОН ПРОЕКТА ОТЧЕТА О МОРФОЛОГИИ Ваша роль: помощник, который переводит морфологические наблюдения, написанные мной (экспертом), в организованный проект отчета. Не ставьте диагноз. Изложите мои наблюдения ниже стандартным языком отчета о распространении; отметить неопределенные/атипичные результаты как «[подтверждение эксперта]»; не подразумевают окончательный диагноз. Мои наблюдения: [текст].
ШАБЛОН ПРАВИЛА ИСКЛЮЧЕНИЯ МОДЕЛИ ИЗОБРАЖЕНИЯ Напишите в качестве контрольного списка для системы предварительной сортировки изображений, какие случаи ДОЛЖНЫ подвергаться полной ручной проверке: низкий показатель достоверности, метка «атипичный/неопознанный», подозрение на клиническую аномалию, плохое качество подготовки, кандидат с критическим заключением. Добавьте обоснование для каждого пункта.
ШАБЛОН КОНТРОЛЯ КАЧЕСТВА ПРЕПАРАТА Перечислите параметры качества, которые я бы проверил перед оценкой приготовления мазка/осадка: интенсивность окрашивания, дисперсия/толщина, артефакты, высыхание, загрязнение. Предложите критерии «принятия/переподготовки» для каждого элемента.
ШАБЛОН ОПИСАНИЯ ОБУЧЕНИЯВаша роль: помощник по подготовке учебного текста для стажеров-лаборантов. Просто и точно объясните это морфологическое понятие: [понятие]. Приведите пример, укажите на разницу между сходными структурами, но подчеркните, что решение диагноза принадлежит специалисту. Загрузка изображения; Объясните только текстом.
Распространенные ошибки
- Принятие классификации модели за узнаваемость. Предварительная сортировка – это отсев; Аномальный/критический результат подтверждается экспертом.
- Быстро утвердить низкие безопасные/нетипичные флаги. Самые важные выводы находятся прямо здесь; Их исследуют в первую очередь и тщательно.
- Упускаем из виду качество приготовления. Плохая покраска модели и обманывает глаз; Качество на первом месте.
- Забывая о сдвиге распределения. Модель, обученная с помощью другого устройства/красителя, может плохо работать с вашими образцами.
- Загрузка изображения пациента в общедоступный инструмент. Риск нарушения конфиденциальности и неподтвержденного диагноза.
Совет: Работая с моделью изображения, пусть это будет вашим правилом: «Модель обычно может меня ускорить, но ненормально она меня никогда не расслабит». Если есть клинические сомнения или картина неясна, решение принимает эксперт, работающий под микроскопом.
В заключение
Предварительная оценка изображений с помощью искусственного интеллекта исключает нормальные закономерности в мазках крови, осадке мочи и микробиологических данных, освобождая время специалиста, чтобы сосредоточиться на случаях, которые действительно требуют расследования. Но эта модель является инструментом скрининга, а не диагностики: она может пропускать редкие результаты, ошибочно принимать артефакты за настоящие и ослаблять результаты в различных популяциях. Диагностика и окончательное утверждение отклонений от нормы и критических результатов принадлежит специалисту; в первую очередь исследуются маркеры низкой достоверности и атипичные маркеры; Качество препарата всегда проверяется в первую очередь. Поскольку ложноотрицательный результат является самой дорогостоящей ошибкой, клиническое подозрение превосходит результаты модели.
Задача приложения
С помощью шаблона «Правило исключения модели изображения» для используемой вами системы предварительной классификации изображений (или примера) перечислите, какие случаи обязательно будут подвергнуты полной ручной проверке. Затем превратите набор морфологических наблюдений в обычный отчет с помощью шаблона «Проект отчета о морфологии» и отметьте результаты, требующие подтверждения. Наконец, создайте контрольный список качества с помощью шаблона «Контроль качества подготовки».
контрольный список
- [ ] Я использовал результаты модели для исключения, а не диагностики.
- [ ] Сначала я тщательно исследовал те, у которых отмечен низкий уровень безопасности/атипичность.
- [ ] Я проверил качество препарата, прежде чем оценить его.
- [ ] В случае подозрения на клинические отклонения я проводил полное ручное обследование.
- [ ] Я не загружал изображения пациентов в общедоступные инструменты.
- [ ] Я квалифицированно подтвердил важные выводы и при необходимости поделился ими с врачом.