டிஜிட்டல் நோயியல் மற்றும் திசு பட பகுப்பாய்வு

ஆதாயங்கள்:

• முழு ஸ்லைடு இமேஜ் (WSI) பணிப்பாய்வுகளில் செல் எண்ணிக்கை, பிரித்தல் மற்றும் தரப்படுத்தல் ஆகியவற்றிற்கான AI இன் ஆதரவை விளக்கும் திறன்
• மாதிரி செயல்திறன் மற்றும் டொமைன் மாற்றத்தில் ஓவியம் மற்றும் ஸ்கேனிங் மாறுபாட்டின் விளைவை அடையாளம் காணும் திறன்
• நோயியல் AI வெளியீடுகளை குறிப்பு தரநிலை, மாதிரி மற்றும் நோயியல் நிபுணர் ஒப்புதலுடன் சரிபார்க்கும் திறன்

நோயியல் என்பது மருத்துவத்தின் கிளை ஆகும், இதில் நுண்ணோக்கியின் கீழ் திசு மாதிரியை ஆய்வு செய்வதன் மூலம் நோய் கண்டறியப்படுகிறது; பல புற்றுநோய் கண்டறிதல்களின் "தங்கத் தரம்" இங்கே செய்யப்படுகிறது. டிஜிட்டல் நோயியல் என்பது உயர் தெளிவுத்திறன் கொண்ட ஸ்கேனருடன் ஒரு கண்ணாடி ஸ்லைடில் படிந்த திசுப் பகுதியை டிஜிட்டல் மயமாக்குவதாகும். இதன் விளைவாக வரும் கோப்பு முழு ஸ்லைடு படமாக அழைக்கப்படுகிறது (சுருக்கமாக WSI); ஒரு ஸ்லைடு ஜிகாபிக்சல் அளவு, அதாவது பில்லியன் கணக்கான பிக்சல்கள் கொண்ட மாபெரும் படமாக இருக்கலாம். செயற்கை நுண்ணறிவு இந்த பெரிய படங்களில் செல் எண்ணிக்கை, பகுதி பிரிவு மற்றும் தரப்படுத்தல் ஆகியவற்றை ஆதரிக்கிறது. இந்த யூனிட்டில் WSI பணிப்பாய்வு, அதன் மிகப்பெரிய தொழில்நுட்பக் குறை: கறை/ஸ்கேனிங் மாறுபாடு மற்றும் நோயியல் நிபுணரின் ஒப்புதல் ஏன் அவசியம் என்பதைக் காண்போம்.

ஆரம்பத்திலிருந்தே கூறுவோம்: செயற்கை நுண்ணறிவு ஒரு கவுண்டராகவும், ஆரம்ப ஸ்கேனராகவும் மற்றும் நோயியலில் இரண்டாவது கண்ணாகவும் இருக்கலாம்; ஆனால் புற்றுநோயைக் கண்டறிதல், நிலைப்படுத்தல் மற்றும் தரப்படுத்தல் முடிவுகள் ஆகியவை நோயியல் நிபுணருக்கு சொந்தமானது. மாதிரி கண்டறியவில்லை.

WSI பணிப்பாய்வு படிகள்

படி 1 - திரையிடல் மற்றும் தரக் கட்டுப்பாடு. கண்ணாடி ஸ்லைடு ஸ்கேன் செய்யப்பட்டது; டிஃபோகஸ், மடிப்பு குறிகள் மற்றும் காற்று குமிழ்கள் போன்ற குறைபாடுகள் தானாகவே கண்டறியப்படும். மோசமான தரமான ஸ்கேன்கள் மாதிரிக்குள் நுழையவே கூடாது.

படி 2 - ஓடு (பேட்ச்) அகற்றுதல். ஜிகாபிக்சல் படத்தை நேரடியாக செயலாக்க முடியாது; சிறிய சதுரங்களாக பிரிக்கப்பட்டுள்ளது (ஆங்கில இணைப்பு, பொதுவாக 256x256 அல்லது 512x512 பிக்சல்கள்). மாதிரி ஒவ்வொரு ஓடுகளையும் தனித்தனியாக மதிப்பிடுகிறது, பின்னர் முடிவுகள் இணைக்கப்படுகின்றன.

படி 3 - திசு/செல் பகுப்பாய்வு. மாதிரி; இது கட்டி தளப் பிரிவு, மைட்டோசிஸ் (செல் பிரித்தல்) எண்ணுதல், அணுக்கரு அடர்த்தி அல்லது மார்க்கரின் கணக்கீடு (எ.கா. கி-67 படிதல் வீதம்) போன்ற பணிகளைச் செய்கிறது. வெளியீடு என்பது ஒரு எண் அளவீடு அல்லது வெப்ப வரைபடம்.

படி 4 - ஒருங்கிணைப்பு மற்றும் அறிக்கையிடல். ஓடு முடிவுகள் ஸ்லைடு மட்டத்தில் இணைக்கப்படுகின்றன; ஒரு சுருக்கம் தயாரிக்கப்படுகிறது, எடுத்துக்காட்டாக, "கட்டி பகுதியின் சதவீதம்" அல்லது "மைட்டோடிக் எண்ணிக்கை".

படி 5 - நோயியல் நிபுணர் மதிப்பீடு. நோயியல் நிபுணர் மாதிரியால் குறிக்கப்பட்ட பகுதிகள் மற்றும் எண்ணிக்கைகளை ஆய்வு செய்கிறார்; ஏற்றுக்கொள்கிறார், திருத்துகிறார் அல்லது நிராகரிக்கிறார். நோயறிதல் மற்றும் தரப்படுத்தல் ஆகியவை நோயியல் நிபுணரிடம் உள்ளன.

மிகப்பெரிய ஆபத்து: சாயமிடுதல் மற்றும் ஸ்கேனிங் மாறுபாடு

திசுப் பகுதிகள் பொதுவாக எச்&இ (ஹீமாடாக்சிலின் மற்றும் ஈசின்; கருக்கள் நீல-வயலட் மற்றும் சைட்டோபிளாசம் பிங்க் நிறத்தில் கறை படிந்திருக்கும் நிலையான சாயம்) மூலம் படிந்திருக்கும். ஆனால் கறையின் தீவிரம் ஆய்வகம், கறை தொகுதி, பிரிவு தடிமன் மற்றும் ஸ்கேனர் பிராண்ட் ஆகியவற்றால் குறிப்பிடத்தக்க அளவில் மாறுபடும். மனிதக் கண் இந்த வேறுபாடுகளுக்கு எளிதில் பொருந்துகிறது; மாதிரி பொருந்தாமல் இருக்கலாம்.

ஆய்வக A இன் இளஞ்சிவப்பு-ஊதா நிற டோன்களின் அடிப்படையில் ஒரு மாதிரி கற்றுக்கொண்டால், ஆய்வக B இன் வெளிர் அல்லது இருண்ட நிறத்தில் அதன் செயல்திறன் குறையும். இந்த நிகழ்வு டொமைன் ஷிப்ட் என்று அழைக்கப்படுகிறது மற்றும் டிஜிட்டல் நோயியலில் தோல்விக்கு மிகவும் பொதுவான காரணமாகும். தீர்வு அணுகுமுறைகள்: வண்ண இயல்பாக்கம் (பொதுவான வண்ண இடைவெளியில் படங்களை நகர்த்துதல்), மல்டிசென்டர் பயிற்சி தரவு மற்றும் - மிக முக்கியமாக - ஒவ்வொரு ஆய்வகத்திலும் வெளிப்புற சரிபார்ப்பு பயன்படுத்தப்பட வேண்டும்.

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 - மைட்டோடிக் எண்ணிக்கையில் நிலைத்தன்மை. மார்பக புற்றுநோய் தரவரிசையில் மைட்டோடிக் எண்ணிக்கை முக்கியமானது, ஆனால் உழைப்பு மற்றும் பார்வையாளரிடமிருந்து பார்வையாளருக்கு மாறுபடும். ஒரு ஆய்வகத்தில் AI-உதவியுடன் கூடிய பூர்வாங்க எண்ணிக்கை, இரண்டு நோயியல் நிபுணர்களுக்கு இடையேயான ஒப்பந்தம் (கப்பா) 0.55 இலிருந்து 0.71 ஆக அதிகரித்தது, மேலும் ஒரு ஸ்லைடை எண்ணும் நேரம் 4 நிமிடங்களிலிருந்து 1.5 நிமிடங்களாகக் குறைந்தது. இருப்பினும், ஒவ்வொரு இறுதி எண்ணிக்கையும் நோயியல் நிபுணரால் உறுதிப்படுத்தப்பட்டது; மாதிரி பரிந்துரைக்கப்பட்டது, நோயியல் நிபுணர் முடிவு செய்தார்.

வழக்கு 2 - ஃபீல்ட் ஷிப்ட் ஹிட். கட்டி பிரிப்பு மாதிரியை உருவாக்கிய ஆய்வகத்தில், அது 93% நேரம் சரியாக வேலை செய்தது. அதே மாதிரியானது கூட்டாளர் ஆய்வகத்தில் வேறு ஸ்கேனர் மற்றும் சாயத்தைப் பயன்படுத்தி கட்டியின் பகுதியை 20% அளவுக்கு அதிகமாக மதிப்பீடு செய்தது. அந்த ஆய்வகத்தில் இருந்து 200 ஸ்லைடுகளுடன் வண்ண இயல்பாக்கம் மற்றும் மறுமதிப்பீடு செய்யப்பட்ட பிறகு, வேறுபாடு ஏற்றுக்கொள்ளக்கூடிய அளவிற்கு குறைந்தது.

வழக்கு 3 - மாதிரி தவறு. ஒரு மாதிரி ஒரு ஸ்லைடில் கட்டி "இல்லை" என்றார்; இருப்பினும், மாதிரியானது ஸ்கேன் செய்யப்பட்ட பகுதியை மட்டுமே மதிப்பீடு செய்தது மற்றும் கட்டியானது மாதிரி எடுக்கப்படாத பிரிவில் இருந்தது. நோய்க்குறியியல் கண்டறிதல் ஸ்லைடு தேர்வு மற்றும் மாதிரியைப் போலவே சிறந்தது; AI "எதிர்மறை" வெளியீடு குறைவான மாதிரியை ஈடுசெய்யாது. அதனால்தான் எதிர்மறையான AI முடிவு மட்டும் "நோய் இல்லை" என்று பொருள்படாது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

குறிப்பு: நோயியல் அறிக்கை மற்றும் பணிப்பாய்வு உரையை உள்ளமைக்க பின்வரும் தூண்டுதல்கள் உள்ளன; திசுப் படக் கண்டறிதல் என்பது சரிபார்க்கப்பட்ட மென்பொருள் மற்றும் நோயியல் நிபுணர்களின் பணியாகும்.

பலவீனமான உடனடி:

இந்த நோயியல் அறிக்கையின்படி, புற்றுநோய் உள்ளதா? [அறிக்கை]

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: நீங்கள் நோயியல் அறிக்கையை கட்டமைக்கும் உதவியாளர் (நீங்கள் நோயறிதல் இல்லை). பின்வரும் அநாமதேய நோயியல் அறிக்கையை கட்டமைக்கவும்:- மாதிரி வகை, கறை படிதல், கட்டி வகை/தரம், அறுவை சிகிச்சை விளிம்பு, குறிப்பான்கள் ஆகியவற்றை அட்டவணைப்படுத்தவும்.- தெளிவற்ற வார்த்தைகளை ("வித்தியாசமான, மருத்துவ தொடர்பு பரிந்துரைக்கப்படுகிறது") அப்படியே வைத்திருங்கள்.- உரையில் இல்லாத கண்டுபிடிப்புகளைச் சேர்க்கவும்; விடுபட்ட புலத்தில் "குறிப்பிடப்படாதது" என்று எழுதவும்.- இறுதியாக, நோயியல் நிபுணர் உறுதிப்படுத்த வேண்டிய 3 புள்ளிகளைப் பட்டியலிடுங்கள். அநாமதேய அறிக்கை:[உரை]

நான்கு நகலெடுக்கக்கூடிய டெம்ப்ளேட்கள்

1) அறிக்கை தரப்படுத்தல்:

பின்வரும் அநாமதேய நோயியல் அறிக்கையை கட்டமைக்கப்பட்ட புலங்களில் (உறுப்பு, நோயறிதல், தரம், விளிம்பு, குறிப்பான் சதவீதம்) வரையவும். உரையில் ஒட்டிக்கொள்க. அறிக்கை: [உரை]

2) டோக்கன் நிலைத்தன்மை சரிபார்ப்பு:

இந்த அறிக்கையில் குறிப்பிடப்பட்டுள்ள அனைத்து சதவிகிதம் மற்றும் எண் குறிப்பான்களை (கி-67, ER, PR, HER2) பட்டியலிடவும்; ஒருவருக்கொருவர் அல்லது நோயறிதலுடன் முரண்படும் மதிப்புகளைக் குறிக்கவும். அறிக்கை: [உரை]

3) மாதிரி சரிபார்ப்புத் திட்டம் (டிஜிட்டல் நோயியல்):

ஒரு WSI பிரிவு மாதிரிக்கான வரைவு சரிபார்ப்புத் திட்டத்தை எழுதவும்: வண்ண இயல்பாக்கம், மல்டிசென்டர் வெளிப்புற சரிபார்ப்பு, நோயியல் நிபுணர் ஒப்பந்தம் (கப்பா), புல மாற்ற சோதனை. நோயியல் நிபுணர் சரிபார்ப்பு புள்ளிகளை தனித்தனியாக குறிக்கவும்.

4) மாதிரி எச்சரிக்கையைச் சேர்த்தல்:

பின்வரும் எதிர்மறையான AI முடிவுடன், "மாதிரி வரம்புக்குட்பட்டதாக இருக்கலாம், எதிர்மறையான முடிவு நோயை விலக்காது" என்ற எச்சரிக்கையையும், நோயியல் நிபுணரின் உறுதிப்பாட்டிற்கான தேவையையும் சேர்க்கவும். வெளியீடு: [உரை]

மாதிரியின் பங்கு: பணி வகை மூலம்

பணி வகை

AI பங்களிப்பு

விமர்சனம்

சரிபார்ப்பு

கட்டி பகுதி பிரிவு

உயர்

உயர்

நோயியல் நிபுணர் + வெளிப்புற சரிபார்ப்பு

மைடோசிஸ்/செல் எண்ணிக்கை

உயர்

உயர்

நோயியல் நிபுணர் உறுதிப்படுத்தல்

மார்க்கரின் சதவீதம் (கி-67)

உயர்

நடுத்தர

குறிப்பு ஒப்பீடு

தரக் கட்டுப்பாடு (கவனம்/குறைபாடு)

உயர்

குறைந்த

ஸ்பாட் சோதனை

அறிக்கை கட்டமைப்பு (உரை)

உயர்

குறைந்த

நோயியல் நிபுணர் உறுதிப்படுத்தல்

உதவிக்குறிப்பு: டிஜிட்டல் நோயியலில் ஒரு மாதிரி முன்மொழிவை மதிப்பிடும்போது, எப்போதும் கேட்கவும்: "எந்த ஆய்வகங்களின் கறை மற்றும் ஸ்கேனர்களில் இந்த மாதிரி பயிற்சியளிக்கப்பட்டுள்ளது, மேலும் இது எனது ஆய்வகத்தில் சரிபார்க்கப்பட்டதா?" பதில் "இல்லை" எனில், செயல்திறன் புள்ளிவிவரங்கள் உங்களுக்கு இன்னும் பொருந்தாது.

எச்சரிக்கை: "கட்டி இல்லை" என்று AI கூறுவதால், மாதிரி எடுக்கப்படாத திசுக்களில் கட்டி இல்லை என்று அர்த்தம் இல்லை. நோயியலில் எதிர்மறையான முடிவு மாதிரியின் தரத்தால் வரையறுக்கப்படுகிறது; முறை இந்த வரம்பை மீறக்கூடாது மற்றும் எதிர்மறையான முடிவு கண்டறியும் உத்தரவாதம் அல்ல.

பொதுவான தவறுகள்

• நிறம்/சாய மாறுபாட்டை குறைத்து மதிப்பிடுதல். டிஜிட்டல் நோயியலில் தோல்விக்கு ஃபீல்ட் டிரிஃப்ட் மிகவும் பொதுவான காரணமாகும்.
• ஒரு மையத்தில் பயிற்சி மற்றும் எல்லா இடங்களிலும் பயன்படுத்தவும். வெவ்வேறு உலாவி மற்றும் வண்ணமயமாக்கல் அமைதியான செயல்திறன் சிதைவை உருவாக்குகிறது.
• எதிர்மறையான முடிவை உத்தரவாதமாக தவறாகப் புரிந்துகொள்வது. மாதிரி வரம்பை மாதிரியால் ஈடுசெய்ய முடியாது.
• இன்டர்ஒப்சர்வர் மாறுபாட்டைப் புறக்கணித்தல். குறிப்பு தரநிலை மாறக்கூடியதாக இருந்தால், மாதிரியை அதற்கேற்ப மதிப்பீடு செய்ய வேண்டும்.
• நோயியல் நிபுணரை நீக்குதல். எண்ணுதல் மற்றும் பிரித்தல் ஆகியவை ஆதரவு; நோயறிதல் மற்றும் தரப்படுத்தல் நோயியல் நிபுணரிடம் உள்ளது.

சுருக்கமாக

• டிஜிட்டல் நோயியல் ஜிகாபிக்சல் WSI படங்களை டைல்களாகப் பிரிப்பதன் மூலம் பகுப்பாய்வு செய்கிறது; AI செல் எண்ணிக்கை மற்றும் பிரிப்புடன் ஆதரிக்கிறது.
• கறை படிதல்/ஸ்கேனிங் மாறுபாட்டின் காரணமாக களச் சறுக்கல் மிகப்பெரிய தொழில்நுட்பப் பொறியாகும்; வண்ண இயல்பாக்கம் மற்றும் வெளிப்புற சரிபார்ப்பு அவசியம்.
• எதிர்மறையான AI முடிவு மாதிரி வரம்பினால் வரையறுக்கப்பட்டுள்ளது மற்றும் கண்டறியும் உத்தரவாதத்தை வழங்காது.
• குறிப்பு தரநிலை மற்றும் இன்டர்ஒப்சர்வர் மாறுபாடு ஆகியவை மாதிரி மதிப்பீட்டிற்கான சூழலாகும்.
• நோயறிதல், நிலைப்படுத்தல் மற்றும் தரப்படுத்துதல் ஆகியவை நோயியல் நிபுணரின் பொறுப்பாகும்; AI கண்டறியவில்லை.

விண்ணப்ப பணி

ஒரு அனுமான டிஜிட்டல் நோயியல் மாதிரியைத் தேர்ந்தெடுக்கவும் (எ.கா. கி-67 சதவீத கணக்கீடு). இந்த மாதிரிக்கான வெளிப்புற சரிபார்ப்புத் திட்டத்தை எழுதவும்: எந்த ஆய்வகங்களில் இருந்து எத்தனை ஸ்லைடுகள், எந்த வண்ணத்தை இயல்பாக்குதல், நோயியல் நிபுணர் ஒப்பந்தத்தை நீங்கள் எவ்வாறு அளவிடுவீர்கள், மற்றும் புலச் சறுக்கலை எவ்வாறு சோதிப்பீர்கள். மாதிரியின் எதிர்மறை / நேர்மறை வெளியீட்டில் சேர்க்கப்பட வேண்டிய கட்டுப்பாட்டு எச்சரிக்கையை ஒரு வாக்கியத்தில் எழுதவும்.

சரிபார்ப்பு பட்டியல்

• [ ] WSI பணிப்பாய்வுக்கான ஸ்கேனிங், டைலிங், பகுப்பாய்வு மற்றும் தொகுத்தல் படிகள் எனக்குத் தெரியும்.
• [ ] பெயிண்ட்/ஸ்கேன் மாறுபாடு எப்படி ஃபீல்ட் டிரிஃப்ட்டை ஏற்படுத்துகிறது மற்றும் அது எப்படி நிர்வகிக்கப்படுகிறது என்பதை நான் புரிந்துகொள்கிறேன்.
• [ ] எதிர்மறை AI முடிவு மாதிரி வரம்பினால் வரையறுக்கப்பட்டுள்ளது என்பதை நான் புரிந்துகொள்கிறேன்.
• [ ] நான் வெளிப்புற சரிபார்ப்பு மற்றும் நோயியல் நிபுணர் ஒப்பந்தத்தின் (கப்பா) கருத்துகளைப் பயன்படுத்த முடியும்.
• [ ] நோயறிதல் மற்றும் தரப்படுத்தல் முடிவு நோயியல் நிபுணரிடம் உள்ளது என்பதை உள்வாங்கிக் கொண்டேன்.