Fitimet:
- Aftësia për të shpjeguar mbështetjen e AI për numërimin, segmentimin dhe klasifikimin e qelizave në rrjedhën e punës së një imazhi të tërë rrëshqitës (WSI)
- Aftësia për të njohur efektin e ndryshueshmërisë së pikturës dhe skanimit në performancën e modelit dhe zhvendosjen e domenit
- Aftësia për të vërtetuar rezultatet e AI të patologjisë me standardin e referencës, marrjen e mostrave dhe miratimin e patologut
Patologjia është dega e mjekësisë në të cilën sëmundja identifikohet duke ekzaminuar një mostër indi nën mikroskop; Këtu bëhet "standard i artë" i shumë diagnozave të kancerit. Patologjia dixhitale është digjitalizimi i një seksioni të indit të njollosur në një rrëshqitje xhami me një skaner me rezolucion të lartë. Skedari që rezulton quhet një imazh i plotë rrëshqitës (shkurt WSI); Një rrëshqitje e vetme mund të jetë një imazh gjigant me madhësi gigapiksel, domethënë miliarda pikselë. Inteligjenca artificiale mbështet numërimin e qelizave, segmentimin e rajonit dhe klasifikimin në këto imazhe të mëdha. Në këtë njësi do të shohim rrjedhën e punës WSI, grackën e saj më të madhe teknike: ndryshueshmërinë e ngjyrosjes/skanimit dhe pse miratimi i patologut është thelbësor.
Le të pohojmë që në fillim: inteligjenca artificiale mund të jetë një numërues, një skaner paraprak dhe një sy i dytë në patologji; Por vendimet për diagnozën e kancerit, skenën dhe vlerësimin i përkasin patologut. Modeli nuk bën diagnozë.
Hapat e rrjedhës së punës WSI
Hapi 1 - Kontrolli dhe kontrolli i cilësisë. Slide xhami është skanuar; Defekte të tilla si defokusimi, shenjat e palosjes dhe flluskat e ajrit mund të zbulohen automatikisht. Skanimet me cilësi të dobët nuk duhet të hyjnë fare në model.
Hapi 2 - Heqja e pllakave (patch). Imazhi Gigapixel nuk mund të përpunohet drejtpërdrejt; ndahet në katrorë të vegjël (patch në anglisht, zakonisht 256x256 ose 512x512 piksele). Modeli vlerëson secilën pllakë veç e veç, pastaj rezultatet kombinohen.
Hapi 3 - Analiza e indit/qelizës. Modeli; Ai kryen detyra të tilla si segmentimi i vendit të tumorit, numërimi i mitozës (ndarja e qelizave), densiteti bërthamor ose llogaritja e një shënuesi (p.sh. shkalla e ngjyrosjes Ki-67). Dalja është një matje numerike ose një hartë e nxehtësisë.
Hapi 4 — Konsolidimi dhe raportimi. Rezultatet e pllakave kombinohen në nivelin e rrëshqitjes; Një përmbledhje prodhohet, për shembull, "përqindja e zonës së tumorit" ose "numërimi mitotik".
Hapi 5 - Vlerësimi i patologut. Patologu ekzaminon rajonet dhe numëron të shënuara nga modeli; pranon, korrigjon ose refuzon. Diagnoza dhe gradimi i takon patologut.
Gracka më e madhe: Ndryshueshmëria e ngjyrosjes dhe skanimit
Seksionet e indeve zakonisht ngjyrosen me H&E (hematoksilinë dhe eozinë; bojë standarde që ngjyros bërthamat blu-vjollcë dhe citoplazmën rozë). Por intensiteti i ngjyrosjes ndryshon dukshëm sipas laboratorit, grupit të njollës, trashësisë së seksionit dhe markës së skanerit. Syri i njeriut përshtatet lehtësisht me këto ndryshime; Modeli mund të mos jetë i pajtueshëm.
Nëse një model ka mësuar bazuar në tonet rozë-vjollcë të laboratorit A, performanca e tij do të ulet në ngjyrosjen më të zbehtë ose më të errët të laboratorit B. Ky fenomen quhet zhvendosje e domenit dhe është shkaku më i zakonshëm i dështimit në patologjinë dixhitale. Qasjet e zgjidhjes: normalizimi i ngjyrave (lëvizja e imazheve në një hapësirë të përbashkët ngjyrash), të dhëna trajnimi shumëqendrore dhe - më e rëndësishmja - vërtetimi i jashtëm në çdo laborator që do të përdoret.
Tre Mini Rastet: Nga Numrat
Rasti 1 - Konsistenca në numërimin mitotik. Numërimi mitotik në klasifikimin e kancerit të gjirit është i rëndësishëm, por i mundimshëm dhe i ndryshueshëm nga vëzhguesi në vëzhgues. Numërimi paraprak i ndihmuar nga AI në një laborator, marrëveshja (kappa) midis dy patologëve u rrit nga 0.55 në 0.71 dhe koha e numërimit për rrëshqitje u ul nga 4 minuta në 1.5 minuta. Megjithatë, çdo numërim përfundimtar u konfirmua nga patologu; Modeli sugjeroi, patologu vendosi.
Rasti 2 - Goditja e zhvendosjes në terren. Në laboratorin që zhvilloi një model të segmentimit të tumorit, ai funksiononte si duhet 93% të kohës. I njëjti model mbivlerësoi sistematikisht zonën e tumorit me 20% në laboratorin partner duke përdorur një skaner dhe bojë të ndryshme. Pas normalizimit të ngjyrës dhe rivalidimit me 200 rrëshqitje nga ai laborator, diferenca u ul në një nivel të pranueshëm.
Rasti 3 - Gabimi i kampionimit. Një modele tha "jo" tumor në një rrëshqitje; megjithatë, modeli vlerësoi vetëm zonën e skanuar dhe tumori ishte në një seksion pa mostër. Diagnoza e patologjisë është po aq e mirë sa përzgjedhja dhe marrja e mostrave të rrëshqitjes; Prodhimi "negativ" i AI nuk kompenson marrjen e mostrave të pakta. Kjo është arsyeja pse vetëm një rezultat negativ i AI nuk do të thotë kurrë "pa sëmundje".
Prompt i dobët / Prompt i fortë
Shënim: Kërkesat e mëposhtme janë për konfigurimin e raportit të patologjisë dhe tekstit të rrjedhës së punës; Diagnoza e imazhit të indit është punë e softuerit dhe patologëve të verifikuar.
Njoftim i dobët:
Sipas këtij raporti të patologjisë, a ka kancer? [raporti]
Njoftim i fuqishëm:
Roli juaj: Ju jeni asistenti i strukturimit të raportit të patologjisë (JU NUK JENI DIAGNOZA). Strukturoni raportin e mëposhtëm anonim të patologjisë:- Tabela llojin e mostrës, ngjyrosjen, llojin/shkallën e tumorit, kufirin kirurgjik, shënuesit.- Mbani të paprekur formulimin e paqartë ("rekomandohet korrelacioni atipik, klinik").- Mos shtoni gjetje që nuk janë në tekst; shkruani "të paspecifikuar" në fushën që mungon.- Në fund rendit 3 pika që duhet të konfirmojë patologu. Raport anonim:[tekst]
Katër modele të kopjueshme
1) Raporti i standardizimit:
Paraqitni raportin e mëposhtëm anonim të patologjisë në fusha të strukturuara (organi, diagnoza, shkalla, diferenca, përqindjet e shënuesit). Rrini tek teksti. Raporti: [tekst]
2) Kontrolli i konsistencës së shenjës:
Rendisni të gjithë përqindjet dhe shënuesit numerikë (Ki-67, ER, PR, HER2) të përmendur në këtë raport; Shënoni vlerat që bien ndesh me njëra-tjetrën ose me diagnozën. Raporti: [tekst]
3) Plani i vlerësimit të modelit (patologji dixhitale):
Shkruani një draft plan validimi për një model segmentimi WSI: normalizimi i ngjyrave, vërtetimi i jashtëm shumëqendror, marrëveshja e patologut (kappa), testimi i zhvendosjes në terren. Shënoni veçmas pikat e vërtetimit të patologut.
4) Shtimi i paralajmërimit për marrjen e mostrave:
Shtojini rezultatit negativ të AI-së në vijim paralajmërimin se "kampionimi mund të jetë i kufizuar, një rezultat negativ nuk përjashton sëmundjen" dhe kërkesën për konfirmimin e patologut. Prodhimi: [tekst]
Roli i modelit: Sipas llojit të detyrës
Lloji i detyrës
Kontributi i AI
kritike
verifikimi
Segmentimi i rajonit të tumorit
lartë
lartë
Patolog + verifikim i jashtëm
Mitoza/numërimi i qelizave
lartë
lartë
Konfirmimi i patologut
Përqindja e shënuesit (Ki-67)
lartë
e mesme
Krahasimi i referencës
Kontrolli i cilësisë (fokus/defekt)
lartë
të ulëta
kontroll në vend
Konfigurimi i raportit (tekst)
lartë
të ulëta
Konfirmimi i patologut
Këshillë: Kur vlerësoni një propozim modeli në patologjinë dixhitale, gjithmonë pyesni: "Për njolla dhe skanerë të cilët laboratorë është trajnuar ky model dhe a është vërtetuar në laboratorin tim?" Nëse përgjigja është "jo", shifrat e performancës nuk vlejnë ende për ju.
Kujdes: Vetëm për shkak se AI thotë "pa tumor" nuk do të thotë se nuk ka tumor në indin e pa kampionuar. Një rezultat negativ në patologji është i kufizuar nga cilësia e kampionimit; modeli nuk mund ta kalojë këtë kufi dhe një rezultat negativ nuk është siguri diagnostikuese.
Gabimet e zakonshme
- Nënvlerësimi i ndryshueshmërisë së ngjyrës/ngjyrës. Zhvendosja në terren është shkaku më i zakonshëm i dështimit në patologjinë dixhitale.
- Stërvituni në një qendër dhe përdorni kudo. Shfletuesi dhe ngjyrosja e ndryshme krijojnë degradim të heshtur të performancës.
- Gabimi i një rezultati negativ për siguri. Kufiri i kampionimit nuk mund të kompensohet nga modeli.
- Injorimi i ndryshueshmërisë së ndërvëzhguesve. Modeli duhet të vlerësohet në përputhje me rrethanat nëse standardi i referencës në vetvete është i ndryshueshëm.
- Eliminimi i patologut. Numërimi dhe segmentimi janë mbështetje; Diagnoza dhe vlerësimi qëndroni me patologun.
Në përmbledhje
- Patologjia dixhitale analizon imazhet WSI me gigapiksel duke i ndarë ato në pllaka; AI mbështet me numërimin dhe segmentimin e qelizave.
- Kurthi më i madh teknik është zhvendosja në terren për shkak të ndryshueshmërisë së ngjyrosjes/skanimit; Normalizimi i ngjyrës dhe vërtetimi i jashtëm janë thelbësorë.
- Një rezultat negativ i AI është i kufizuar nga kufiri i kampionimit dhe nuk ofron siguri diagnostikuese.
- Standardi i referencës dhe ndryshueshmëria e ndërvëzhguesve janë konteksti për vlerësimin e modelit.
- Diagnoza, stadifikimi dhe gradimi janë përgjegjësi e patologut; AI nuk diagnostikon.
Detyra e aplikimit
Zgjidhni një model hipotetik të patologjisë dixhitale (p.sh. llogaritja e përqindjes Ki-67). Shkruani një plan vërtetimi të jashtëm për këtë model: sa rrëshqitje nga cilët laboratorë, çfarë normalizimi ngjyrash, si do të matni marrëveshjen e patologut dhe si do të testoni lëvizjen në terren. Më pas shkruani me një fjali paralajmërimin e kufizimit që duhet t'i shtohet prodhimit negativ/pozitiv të modelit.
listë kontrolli
- [ ] Unë i di hapat e skanimit, vendosjes së pllakave, analizës dhe përbërjes së fluksit të punës WSI.
- [ ] Unë e kuptoj se si ndryshueshmëria e bojës/skanimit shkakton zhvendosjen e fushës dhe si menaxhohet.
- [ ] Unë e kuptoj se rezultati negativ i AI është i kufizuar nga kufiri i kampionimit.
- [ ] Mund të përdor konceptet e vlefshmërisë së jashtme dhe marrëveshjes së patologut (kappa).
- [ ] Unë kam brendësuar që diagnoza dhe vendimi i vlerësimit i mbetet patologut.