Vinster:
- Möjlighet att förklara AI:s stöd för cellräkning, segmentering och gradering i ett arbetsflöde för en hel bildbild (WSI)
- Förmåga att känna igen effekten av variationer i målning och skanning på modellprestanda och domänskifte
- Förmåga att validera patologiska AI-utgångar med referensstandard, provtagning och patologgodkännande
Patologi är den gren av medicinen där sjukdomen identifieras genom att undersöka ett vävnadsprov under ett mikroskop; Här ställs "guldstandarden" för många cancerdiagnoser. Digital patologi är digitaliseringen av en färgad vävnadssektion på ett objektglas med en högupplöst skanner. Den resulterande filen kallas en hel bild (WSI för kort); En enda bild kan vara en gigantisk bild med gigapixelstorlek, det vill säga miljarder pixlar. Artificiell intelligens stöder cellräkning, regionsegmentering och gradering i dessa enorma bilder. I den här enheten kommer vi att se WSI-arbetsflödet, dess största tekniska fallgrop: färgnings-/skanningsvariabilitet, och varför patologens godkännande är viktigt.
Låt oss säga från början: artificiell intelligens kan vara en räknare, en preliminär skanner och ett andra öga inom patologi; Men cancerdiagnostik, iscensättning och betygsbeslut tillhör patologen. Modellen ställer ingen diagnos.
Steg i WSI Workflow
Steg 1 — Screening och kvalitetskontroll. Glasskivan skannas; Defekter som oskärpa, vikmärken och luftbubblor kan upptäckas automatiskt. Skanningar av dålig kvalitet bör inte komma in i modellen alls.
Steg 2 — Borttagning av kakel (lappar). Gigapixelbild kan inte bearbetas direkt; är uppdelad i små rutor (engelsk patch, vanligtvis 256x256 eller 512x512 pixlar). Modellen utvärderar varje bricka separat, sedan kombineras resultaten.
Steg 3 — Vävnads-/cellanalys. Modell; Den utför uppgifter som segmentering av tumörställen, räkning av mitos (delande cell), kärndensitet eller beräkning av en markör (t.ex. Ki-67-färgningshastighet). Utgången är en numerisk mätning eller en värmekarta.
Steg 4 — Konsolidering och rapportering. Kakelresultat kombineras på rutschkananivå; En sammanfattning tas fram, till exempel "procent av tumörarea" eller "mitotisk räkning".
Steg 5 — Patologutvärdering. Patologen undersöker regionerna och räknar markerade av modellen; accepterar, rättar eller förkastar. Diagnos och betygsättning är upp till patologen.
Den största fallgropen: Variabilitet i färgning och skanning
Vävnadssnitt färgas vanligtvis med H&E (hematoxylin och eosin; standardfärgämnet som färgar kärnorna blåvioletta och cytoplasman rosa). Men färgningsintensiteten varierar markant beroende på laboratorium, färgsats, snitttjocklek och skannermärke. Det mänskliga ögat anpassar sig lätt till dessa skillnader; Modellen kanske inte är kompatibel.
Om en modell har lärt sig baserat på de rosa-lila tonerna i labb A, kommer dess prestanda att minska på den blekare eller mörkare färgningen av labb B. Detta fenomen kallas domänförskjutning och är den vanligaste orsaken till misslyckande inom digital patologi. Lösningsmetoder: färgnormalisering (flytta bilder till en gemensam färgrymd), multicenter träningsdata och – viktigast av allt – extern validering vid varje laboratorium som ska användas.
Tre minifodral: Efter siffrorna
Fall 1 — Konsistens i mitotiskt antal. Mitotisk räkning vid gradering av bröstcancer är viktig men mödosam och varierande från observatör till observatör. AI-assisterad preliminär räkning i ett laboratorium, överensstämmelse (kappa) mellan två patologer ökade från 0,55 till 0,71, och räknetiden per objektglas minskade från 4 minuter till 1,5 minuter. Varje slutlig räkning bekräftades dock av patologen; Modellen föreslog, bestämde patologen.
Fall 2 — Fältskiftsträff. I laboratoriet som utvecklade en tumörsegmenteringsmodell fungerade den korrekt 93 % av tiden. Samma modell överskattade systematiskt tumörområdet med 20 % i partnerlaboratoriet med hjälp av en annan skanner och färgämne. Efter färgnormalisering och revalidering med 200 objektglas från det laboratoriet minskade skillnaden till en acceptabel nivå.
Fall 3 – Urvalsfel. En modell sa "nej" tumör på en bild; dock utvärderade modellen bara det skannade området och tumören var i en sektion utan provtagning. Patologisk diagnos är lika bra som urval av objektglas och provtagning; AI "negativ" utdata kompenserar inte för undersampling. Det är därför ett negativt AI-resultat ensamt aldrig betyder "ingen sjukdom".
Svag prompt / Stark prompt
Obs: Följande uppmaningar är för att konfigurera patologirapporten och arbetsflödestexten; Vävnadsbilddiagnos är ett verk av verifierad programvara och patologer.
Svag uppmaning:
Enligt denna patologirapport, finns det cancer? [rapport]
Kraftfull uppmaning:
Din roll: Du är struktureringsassistent för patologirapporten (DU ÄR INTE DIAGNOS). Strukturera följande anonyma patologirapport:- Ange provtyp, färgning, tumörtyp/grad, kirurgisk marginal, markörer.- Behåll tvetydig formulering ("atypisk, klinisk korrelation rekommenderas") intakt.- Lägg till inga fynd som inte finns i texten; skriv ”ospecificerat” i det saknade fältet.- Skriv till sist 3 punkter som patologen ska bekräfta.Anonym anmälan:[text]
Fyra kopieringsbara mallar
1) Rapportstandardisering:
Rita in följande anonyma patologirapport i strukturerade fält (organ, diagnos, grad, marginal, markörprocent). Håll dig till texten. Rapport: [text]
2) Tokens konsistenskontroll:
Lista alla procent och numeriska markörer (Ki-67, ER, PR, HER2) som nämns i denna rapport; Markera värden som står i konflikt med varandra eller med diagnosen. Rapport: [text]
3) Modellvalideringsplan (digital patologi):
Skriv ett utkast till valideringsplan för en WSI-segmenteringsmodell: färgnormalisering, multicenter extern validering, patologavtal (kappa), fältförskjutningstestning. Markera patologens valideringspunkter separat.
4) Lägga till provtagningsvarning:
Lägg till följande negativa AI-resultat förbehållet att "provtagning kan vara begränsad, ett negativt resultat utesluter inte sjukdom" och kravet på patologbekräftelse. Utdata: [text]
Modellens roll: Efter uppgiftstyp
Uppgiftstyp
AI-bidrag
kritik
verifiering
Tumörregionsegmentering
hög
hög
Patolog + extern verifiering
Mitos/cellantal
hög
hög
Patologbekräftelse
Procentandel av markör (Ki-67)
hög
medium
Reference comparison
Kvalitetskontroll (fokus/defekt)
hög
låg
stickprovskontroll
Rapportkonfiguration (text)
hög
låg
Patologbekräftelse
Tips: När du utvärderar ett modellförslag inom digital patologi, fråga alltid: "Vilka laboratoriers fläckar och skannrar har denna modell tränats på och har den validerats i mitt laboratorium?" Om svaret är "nej" gäller inte prestationssiffrorna för dig ännu.
Varning: Bara för att AI säger "ingen tumör" betyder det inte att det inte finns någon tumör i den osamplade vävnaden. Ett negativt resultat i patologi begränsas av kvaliteten på provtagningen; mönstret kan inte överskrida denna gräns och ett negativt resultat är inte diagnostisk garanti.
Vanliga misstag
- Underskattning av variationer i färg/färgämne. Fältdrift är den vanligaste orsaken till misslyckande inom digital patologi.
- Träna i ett center och använd överallt. Olika webbläsare och färger skapar tyst prestandaförsämring.
- Att missförstå ett negativt resultat för säkerhet. Provtagningsgränsen kan inte kompenseras av modellen.
- Ignorerar interobservatörsvariabilitet. Modellen bör utvärderas i enlighet därmed om referensstandarden i sig är variabel.
- Eliminera patologen. Räkning och segmentering är stöd; Diagnos och betygssättning vilar hos patologen.
Sammanfattningsvis
- Digital patologi analyserar gigapixel WSI-bilder genom att dela upp dem i brickor; AI stöder med cellräkning och segmentering.
- Den största tekniska fällan är fältdrift på grund av färgning/skanningsvariabilitet; färgnormalisering och extern validering är väsentliga.
- Ett negativt AI-resultat begränsas av provtagningsgränsen och ger ingen diagnostisk säkerhet.
- Referensstandarden och interobservatörsvariabiliteten är sammanhanget för modellutvärdering.
- Diagnos, stadieindelning och gradering är patologens ansvar; AI ställer ingen diagnos.
Applikationsuppgift
Välj en hypotetisk digital patologimodell (t.ex. Ki-67 procentberäkning). Skriv en extern valideringsplan för denna modell: hur många bilder från vilka laboratorier, vilken färgnormalisering, hur du ska mäta patologens överensstämmelse och hur du ska testa fältdrift. Skriv sedan i en mening begränsningsvarningen som ska läggas till den negativa/positiva utdata från modellen.
checklista
- [ ] Jag känner till stegen för skanning, sättning, analys och sammansättning av WSI-arbetsflödet.
- [ ] Jag förstår hur färg/skanningsvariabilitet orsakar fältdrift och hur det hanteras.
- [ ] Jag förstår att det negativa AI-resultatet begränsas av provtagningsgränsen.
- [ ] Jag kan använda begreppen extern validering och patologavtal (kappa).
- [ ] Jag har internaliserat att diagnosen och betygsbeslutet ligger kvar hos patologen.