zisky:
- Schopnosť vysvetliť podporu AI pre počítanie buniek, segmentáciu a klasifikáciu v pracovnom postupe celej snímky (WSI)
- Schopnosť rozpoznať vplyv maľovania a variability skenovania na výkon modelu a posun domény
- Schopnosť overiť výstupy patologickej AI s referenčným štandardom, odberom vzoriek a schválením patológa
Patológia je odvetvie medicíny, v ktorom sa choroba identifikuje skúmaním vzorky tkaniva pod mikroskopom; Robí sa tu „zlatý štandard“ mnohých diagnóz rakoviny. Digitálna patológia je digitalizácia zafarbeného rezu tkaniva na podložnom skle skenerom s vysokým rozlíšením. Výsledný súbor sa nazýva celý obrázok snímky (skrátene WSI); Jedna snímka môže byť obrovským obrázkom s veľkosťou gigapixelov, teda s miliardami pixelov. Umelá inteligencia podporuje počítanie buniek, segmentáciu oblastí a triedenie na týchto obrovských obrázkoch. V tejto časti uvidíme pracovný postup WSI, jeho najväčšie technické úskalie: variabilitu farbenia/skenovania a prečo je nevyhnutné schválenie patológom.
Povedzme od začiatku: umelá inteligencia môže byť počítadlom, predbežným skenerom a druhým okom v patológii; Ale diagnostika rakoviny, staging a rozhodovanie o klasifikácii patrí patológovi. Model nediagnostikuje.
Kroky WSI Workflow
Krok 1 – Skríning a kontrola kvality. Podložné sklo sa naskenuje; Defekty, ako je rozostrenie, značky ohybov a vzduchové bubliny, sa dajú zistiť automaticky. Nekvalitné skeny by sa do modelu vôbec nemali dostať.
Krok 2 — Odstránenie dlaždice (záplaty). Gigapixelový obraz nemožno spracovať priamo; je rozdelená na malé štvorce (anglická záplata, zvyčajne 256 x 256 alebo 512 x 512 pixelov). Model vyhodnotí každú dlaždicu samostatne, potom sa výsledky spoja.
Krok 3 — Analýza tkaniva/buniek. Model; Vykonáva úlohy, ako je segmentácia miesta nádoru, počítanie mitózy (deliacich sa buniek), jadrová hustota alebo výpočet markera (napr. rýchlosť farbenia Ki-67). Výstupom je numerické meranie alebo tepelná mapa.
Krok 4 – Konsolidácia a podávanie správ. Výsledky dlaždíc sa kombinujú na úrovni snímky; Vytvorí sa súhrn, napríklad „percento plochy nádoru“ alebo „počet mitotických buniek“.
Krok 5 — Hodnotenie patológom. Patológ skúma oblasti a počty označené modelom; prijíma, opravuje alebo odmieta. Diagnóza a klasifikácia sú na patológovi.
Najväčšie úskalie: Variabilita farbenia a skenovania
Tkanivové rezy sa zvyčajne farbia H&E (hematoxylín a eozín; štandardné farbivo, ktoré farbí jadrá modrofialovo a cytoplazmu ružovo). Intenzita zafarbenia sa však výrazne líši podľa laboratória, šarže farbenia, hrúbky rezu a značky skenera. Ľudské oko sa týmto rozdielom ľahko prispôsobí; Model nemusí byť kompatibilný.
Ak sa model naučil na základe ružovo-fialových tónov laboratória A, jeho výkon sa zníži pri bledšom alebo tmavšom sfarbení laboratória B. Tento jav sa nazýva posun domény a je najčastejšou príčinou zlyhania v digitálnej patológii. Prístupy k riešeniam: normalizácia farieb (presun obrázkov do spoločného farebného priestoru), multicentrické tréningové dáta a – čo je najdôležitejšie – externá validácia v každom laboratóriu, ktoré sa má použiť.
Tri mini prípady: Podľa čísel
Prípad 1 – Konzistencia v mitotickom počte. Mitotické počítanie pri klasifikácii rakoviny prsníka je dôležité, ale pracné a pre každého pozorovateľa je variabilné. Predbežné počítanie s pomocou AI v jednom laboratóriu, súhlas (kapa) medzi dvoma patológmi sa zvýšil z 0,55 na 0,71 a čas počítania na sklíčko sa znížil zo 4 minút na 1,5 minúty. Každý konečný počet však potvrdil patológ; Navrhol model, rozhodol patológ.
Prípad 2 – Zasiahnutie posunu poľa. V laboratóriu, ktoré vyvinulo model segmentácie nádoru, fungoval správne 93 % času. Rovnaký model systematicky nadhodnocoval oblasť nádoru o 20 % v partnerskom laboratóriu s použitím iného skenera a farbiva. Po normalizácii farieb a revalidácii s 200 sklíčkami z tohto laboratória sa rozdiel znížil na prijateľnú úroveň.
Prípad 3 – Nesprávny výber vzorky. Jeden model povedal "nie" nádor na sklíčku; model však vyhodnotil iba skenovanú oblasť a nádor bol v reze bez vzorky. Diagnostika patológie je rovnako dobrá ako výber sklíčka a odber vzoriek; „Negatívny“ výstup AI nekompenzuje podvzorkovanie. Preto samotný negatívny výsledok AI nikdy neznamená „žiadnu chorobu“.
Slabá výzva / silná výzva
Poznámka: Nasledujúce výzvy slúžia na konfiguráciu správy o patológii a textu pracovného postupu; Diagnostika obrazu tkaniva je dielom overených softvérov a patológov.
Slabá výzva:
Existuje podľa tejto správy o patológii rakovina? [správa]
Výkonná výzva:
Vaša úloha: Ste asistentom štruktúrovania správy o patológii (NIE STE DIAGNOSTIKA). Štruktúrujte nasledujúcu anonymnú správu o patológii: - Tabuľka typu vzorky, zafarbenie, typ/stupeň nádoru, chirurgický okraj, markery. - Nejednoznačné znenie (odporúča sa "atypická, odporúča sa klinická korelácia") neporušené. - Nepridávajte žiadne nálezy, ktoré nie sú v texte; do chýbajúceho poľa napíšte „nešpecifikované“.- Nakoniec uveďte 3 body, ktoré by mal patológ potvrdiť.Anonymná správa:[text]
Štyri kopírovateľné šablóny
1) Štandardizácia prehľadov:
Nakreslite nasledujúcu anonymnú správu o patológii do štruktúrovaných polí (orgán, diagnóza, stupeň, okraj, percentá markerov). Držte sa textu. Správa: [text]
2) Kontrola konzistencie tokenu:
Uveďte všetky percentuálne a numerické markery (Ki-67, ER, PR, HER2) uvedené v tejto správe; Označte hodnoty, ktoré sú v rozpore medzi sebou alebo s diagnózou. Správa: [text]
3) Plán validácie modelu (digitálna patológia):
Napíšte návrh plánu validácie pre model segmentácie WSI: normalizácia farieb, multicentrická externá validácia, dohoda patológa (kapa), testovanie posunu v teréne. Body validácie patológa označte oddelene.
4) Pridanie upozornenia na odber vzoriek:
K nasledujúcemu negatívnemu výsledku AI pridajte upozornenie, že „odber vzoriek môže byť obmedzený, negatívny výsledok nevylučuje ochorenie“ a požiadavku na potvrdenie patológom. Výstup: [text]
Rola modelu: Podľa typu úlohy
Typ úlohy
Príspevok AI
kritickosť
overenie
Segmentácia oblasti nádoru
vysoká
vysoká
Patológ + externé overenie
Mitóza/počet buniek
vysoká
vysoká
Potvrdenie patológa
Percento značky (Ki-67)
vysoká
stredná
Referenčné porovnanie
Kontrola kvality (zaostrenie/defekt)
vysoká
nízka
náhodná kontrola
Konfigurácia prehľadu (text)
vysoká
nízka
Potvrdenie patológa
Tip: Pri hodnotení návrhu modelu v digitálnej patológii sa vždy spýtajte: „Na ktorých laboratórnych škvrnách a skeneroch bol tento model vyškolený a bol overený v mojom laboratóriu?“ Ak je odpoveď „nie“, údaje o výkonnosti sa vás zatiaľ netýkajú.
Upozornenie: To, že AI hovorí „žiadny nádor“, neznamená, že v tkanive bez vzorky nie je žiadny nádor. Negatívny výsledok v patológii je obmedzený kvalitou odberu vzoriek; vzor nemôže prekročiť tento limit a negatívny výsledok nie je diagnostickou zárukou.
Časté chyby
- Podceňovanie variability farieb/farbív. Pole drift je najčastejšou príčinou zlyhania digitálnej patológie.
- Trénujte v jednom centre a používajte všade. Rozdielny prehliadač a sfarbenie spôsobujú tiché zníženie výkonu.
- Zamieňanie negatívneho výsledku za uistenie. Limit vzorkovania nemôže byť kompenzovaný modelom.
- Ignorovanie variability medzi pozorovateľmi. Ak je samotný referenčný štandard variabilný, model by sa mal zodpovedajúcim spôsobom vyhodnotiť.
- Odstránenie patológa. Počítanie a segmentácia sú podporou; Diagnóza a klasifikácia odpočívajú u patológa.
V súhrne
- Digitálna patológia analyzuje gigapixelové obrázky WSI ich rozdelením na dlaždice; AI podporuje počítanie buniek a segmentáciu.
- Najväčšou technickou pascou je drift poľa v dôsledku variability farbenia/skenovania; normalizácia farieb a externá validácia sú nevyhnutné.
- Negatívny výsledok AI je obmedzený limitom odberu vzoriek a neposkytuje diagnostickú záruku.
- Referenčný štandard a variabilita medzi pozorovateľmi sú kontextom pre hodnotenie modelu.
- Za diagnostiku, určenie štádia a klasifikáciu zodpovedá patológ; AI nediagnostikuje.
Aplikačná úloha
Vyberte hypotetický model digitálnej patológie (napr. výpočet percenta Ki-67). Napíšte plán externej validácie pre tento model: koľko preparátov z ktorých laboratórií, aká farebná normalizácia, ako budete merať súhlas patológov a ako budete testovať drift v teréne. Potom napíšte jednou vetou upozornenie na obmedzenie, ktoré by sa malo pridať k negatívnemu/pozitívnemu výstupu modelu.
kontrolný zoznam
- [ ] Poznám kroky skenovania, usporiadania, analýzy a skladania pracovného postupu WSI.
- [ ] Rozumiem, ako variabilita farby/skenovania spôsobuje posun poľa a ako sa s tým zaobchádza.
- [ ] Chápem, že negatívny výsledok AI je obmedzený limitom odberu vzoriek.
- [ ] Môžem použiť koncepty externej validácie a dohody patológa (kappa).
- [ ] Uvedomil som si, že rozhodnutie o diagnóze a klasifikácii zostáva na patológovi.