Dobički:
- Sposobnost razlage podpore umetne inteligence za štetje celic, segmentacijo in ocenjevanje v delovnem procesu celotne slike diapozitiva (WSI)
- Sposobnost prepoznavanja učinka variabilnosti slikanja in skeniranja na zmogljivost modela in premik domene
- Sposobnost potrjevanja patoloških rezultatov umetne inteligence z referenčnim standardom, vzorčenjem in odobritvijo patologa
Patologija je veja medicine, v kateri se bolezen identificira s pregledovanjem vzorca tkiva pod mikroskopom; Tukaj je izdelan "zlati standard" mnogih diagnoz raka. Digitalna patologija je digitalizacija obarvanega tkiva na stekelcu s skenerjem visoke ločljivosti. Nastala datoteka se imenuje celotna slika diapozitiva (kratko WSI); Posamezen diapozitiv je lahko ogromna slika velikosti gigapikslov, to je milijarde slikovnih pik. Umetna inteligenca podpira štetje celic, segmentacijo regij in razvrščanje na teh ogromnih slikah. V tej enoti bomo videli potek dela WSI, njegovo največjo tehnično past: spremenljivost barvanja/skeniranja in zakaj je odobritev patologa bistvena.
Povejmo od začetka: umetna inteligenca je lahko števec, preliminarni skener in drugo oko v patologiji; Toda odločitve o diagnozi raka, stadiju in razvrščanju pripadajo patologu. Model ne postavlja diagnoze.
Koraki poteka dela WSI
1. korak — Pregled in nadzor kakovosti. Stekelec se skenira; Napake, kot so defokus, sledi pregibov in zračni mehurčki, je mogoče zaznati samodejno. Skeniranje slabe kakovosti sploh ne bi smelo vstopiti v model.
2. korak — Odstranitev ploščice (obliža). Gigapixel slike ni mogoče neposredno obdelati; je razdeljen na majhne kvadratke (angleški obliž, običajno 256x256 ali 512x512 slikovnih pik). Model oceni vsako ploščico posebej, nato pa se rezultati združijo.
3. korak — analiza tkiva/celice. model; Izvaja naloge, kot je segmentacija mesta tumorja, štetje mitoze (delitvenih celic), gostota jedra ali izračun markerja (npr. stopnja obarvanja Ki-67). Rezultat je numerična meritev ali toplotni zemljevid.
4. korak — konsolidacija in poročanje. Rezultati ploščic so združeni na ravni diapozitiva; Izdela se povzetek, na primer "odstotek površine tumorja" ali "mitotsko število".
Korak 5 — Ocena patologa. Patolog pregleda regije in prešteje, označene z modelom; sprejme, popravi ali zavrne. Diagnoza in razvrstitev sta v pristojnosti patologa.
Največja past: Variabilnost barvanja in skeniranja
Tkivni deli so običajno obarvani s H&E (hematoksilin in eozin; standardno barvilo, ki obarva jedra modro-vijolično in citoplazmo rožnato). Toda intenzivnost obarvanja se močno razlikuje glede na laboratorij, serijo madežev, debelino odseka in znamko optičnega bralnika. Človeško oko se zlahka prilagodi tem razlikam; Model morda ni združljiv.
Če se je model naučil na podlagi rožnato-vijoličnih tonov laboratorija A, se bo njegova učinkovitost zmanjšala pri svetlejšem ali temnejšem obarvanju laboratorija B. Ta pojav imenujemo premik domene in je najpogostejši vzrok za neuspeh pri digitalni patologiji. Pristopi k rešitvi: barvna normalizacija (premikanje slik v skupni barvni prostor), večcentrični podatki o usposabljanju in — kar je najpomembneje — zunanja validacija v vsakem laboratoriju, ki bo uporabljen.
Trije mini kovčki: po številkah
1. primer – doslednost števila mitoz. Mitotsko štetje pri razvrščanju raka dojke je pomembno, vendar težavno in se razlikuje od opazovalca do opazovalca. Predhodno štetje s pomočjo umetne inteligence v enem laboratoriju se je strinjanje (kappa) med dvema patologoma povečalo z 0,55 na 0,71, čas štetja na stekelec pa se je zmanjšal s 4 minut na 1,5 minute. Vendar pa je vsako končno število potrdil patolog; Model je predlagal, patolog odločil.
Primer 2 – Zadetek s premikom polja. V laboratoriju, ki je razvil model segmentacije tumorja, je pravilno deloval 93 % časa. Isti model je sistematično precenil površino tumorja za 20 % v partnerskem laboratoriju z uporabo drugega skenerja in barvila. Po normalizaciji barv in ponovni validaciji z 200 diapozitivi iz tega laboratorija se je razlika zmanjšala na sprejemljivo raven.
Primer 3 – Napaka pri vzorčenju. En model je rekel "ne" tumorja na diapozitivu; vendar je model ocenil samo skenirano območje, tumor pa je bil v nevzorčenem delu. Diagnoza patologije je tako dobra kot izbira stekelc in vzorčenje; "Negativni" rezultat AI ne kompenzira premajhnega vzorčenja. Zato samo negativen rezultat AI nikoli ne pomeni "ni bolezni".
Šibek poziv / močan poziv
Opomba: Naslednji pozivi so za konfiguracijo poročila o patologiji in besedila poteka dela; Diagnostika slik tkiva je delo preverjene programske opreme in patologov.
Šibek poziv:
Glede na to poročilo o patologiji, ali obstaja rak? [poročilo]
Močan poziv:
Vaša vloga: Ste asistent za strukturiranje patološkega poročila (VI NISTE DIAGNOZA). Strukturirajte naslednje anonimno poročilo o patologiji:– V tabeli navedite vrsto vzorca, barvanje, tip/stopnjo tumorja, kirurški rob, markerje.– Ohranite dvoumno besedilo ("atipična, priporočena klinična korelacija") nedotaknjeno.– Dodajte nobenih ugotovitev, ki niso v besedilu; v manjkajoče polje napišite »neopredeljeno«.- Na koncu navedite 3 točke, ki jih mora potrditi patolog. Anonimna prijava:[besedilo]
Štiri kopirane predloge
1) Standardizacija poročila:
Naslednje anonimno poročilo o patologiji narišite v strukturirana polja (organ, diagnoza, stopnja, rob, odstotki markerjev). Drži se besedila. Poročilo: [besedilo]
2) Preverjanje doslednosti žetona:
Navedite vse odstotke in številčne markerje (Ki-67, ER, PR, HER2), omenjene v tem poročilu; Označite vrednosti, ki so v nasprotju med seboj ali z diagnozo. Poročilo: [besedilo]
3) Načrt validacije modela (digitalna patologija):
Napišite osnutek validacijskega načrta za segmentacijski model WSI: barvna normalizacija, multicentrična zunanja validacija, dogovor patologa (kappa), testiranje s premikom na terenu. Ločeno označite točke validacije patologa.
4) Dodajanje opozorila o vzorčenju:
Naslednjemu negativnemu rezultatu AI dodajte opozorilo, da je "vzorčenje lahko omejeno, negativni rezultat ne izključuje bolezni" in zahtevo po potrditvi patologa. Izhod: [besedilo]
Vloga modela: glede na vrsto naloge
Vrsta naloge
Prispevek AI
kritičnost
preverjanje
Segmentacija regije tumorja
visoka
visoka
Patolog + zunanja kontrola
Mitoza/število celic
visoka
visoka
Potrditev patologa
Odstotek markerja (Ki-67)
visoka
srednje
Referenčna primerjava
Kontrola kakovosti (ostrina/napaka)
visoka
nizka
pregled na kraju samem
Konfiguracija poročila (besedilo)
visoka
nizka
Potrditev patologa
Namig: Ko ocenjujete predlog modela v digitalni patologiji, vedno vprašajte: "Na madežih in skenerjih katerega laboratorija je bil ta model usposobljen in ali je bil potrjen v mojem laboratoriju?" Če je odgovor "ne", podatki o uspešnosti za vas še ne veljajo.
Pozor: samo zato, ker AI pravi "ni tumorja", ne pomeni, da v nevzorčenem tkivu ni tumorja. Negativen rezultat pri patologiji je omejen s kakovostjo vzorčenja; vzorec ne more preseči te meje in negativen rezultat ni diagnostično zagotovilo.
Pogoste napake
- Podcenjevanje variabilnosti barv/barvil. Odmik polja je najpogostejši vzrok za okvaro pri digitalni patologiji.
- Usposabljajte se v enem centru in uporabljajte povsod. Različni brskalnik in barve povzročajo tiho poslabšanje delovanja.
- Zamenjajte negativni rezultat za zagotovilo. Omejitve vzorčenja model ne more nadomestiti.
- Ignoriranje variabilnosti med opazovalci. Model je treba ustrezno ovrednotiti, če je sam referenčni standard spremenljiv.
- Odprava patologa. Podpora sta štetje in segmentacija; Diagnoza in ocenjevanje se opravi s patologom.
Če povzamem
- Digitalna patologija analizira slike WSI z gigapiksli tako, da jih razdeli na ploščice; AI podpira štetje celic in segmentacijo.
- Največja tehnična past je zamik polja zaradi variabilnosti obarvanja/skeniranja; normalizacija barv in zunanja validacija sta bistveni.
- Negativen rezultat AI je omejen z mejo vzorčenja in ne zagotavlja diagnostičnega zagotovila.
- Referenčni standard in variabilnost med opazovalci sta kontekst za vrednotenje modela.
- Diagnoza, stopnja in stopnjevanje so odgovornost patologa; AI ne diagnosticira.
Aplikacijska naloga
Izberite hipotetični model digitalne patologije (npr. izračun odstotka Ki-67). Napišite zunanji validacijski načrt za ta model: koliko stekelcev iz katerih laboratorijev, kakšna barvna normalizacija, kako boste merili soglasje patologa in kako boste testirali odmik polja. Nato v enem stavku napišite opozorilo o omejitvi, ki naj se doda negativnemu/pozitivnemu rezultatu modela.
kontrolni seznam
- [ ] Poznam korake skeniranja, razporeditve, analize in sestavljanja delovnega toka WSI.
- [ ] Razumem, kako spremenljivost barve/skeniranja povzroča odmik polja in kako se to upravlja.
- [ ] Razumem, da je negativni rezultat AI omejen z omejitvijo vzorčenja.
- [ ] Znam uporabljati koncepta zunanje validacije in soglasja patologa (kappa).
- [ ] Ponotranjil sem, da odločitev o diagnozi in razvrščanju ostaja pri patologu.