พยาธิวิทยาดิจิทัลและการวิเคราะห์ภาพเนื้อเยื่อ

กำไร:

• ความสามารถในการอธิบายการสนับสนุนของ AI สำหรับการนับเซลล์ การแบ่งส่วน และการให้คะแนนในเวิร์กโฟลว์ภาพสไลด์ทั้งหมด (WSI)
• ความสามารถในการรับรู้ผลกระทบของความแปรปรวนของการลงสีและการสแกนต่อประสิทธิภาพของโมเดลและการเปลี่ยนโดเมน
• ความสามารถในการตรวจสอบเอาต์พุต AI ทางพยาธิวิทยาด้วยมาตรฐานอ้างอิง การสุ่มตัวอย่าง และการอนุมัติจากแพทย์พยาธิวิทยา

พยาธิวิทยาเป็นสาขาวิชาการแพทย์ที่ระบุโรคโดยการตรวจตัวอย่างเนื้อเยื่อใต้กล้องจุลทรรศน์ "มาตรฐานทองคำ" ของการวินิจฉัยโรคมะเร็งหลายอย่างเกิดขึ้นที่นี่ พยาธิวิทยาแบบดิจิทัลคือการแปลงส่วนของเนื้อเยื่อที่เปื้อนบนสไลด์แก้วให้เป็นดิจิทัลด้วยเครื่องสแกนที่มีความละเอียดสูง ไฟล์ผลลัพธ์เรียกว่าภาพสไลด์ทั้งหมด (เรียกสั้น ๆ ว่า WSI) สไลด์เดียวสามารถเป็นภาพขนาดยักษ์ที่มีขนาดกิกะพิกเซล ซึ่งก็คือพันล้านพิกเซล ปัญญาประดิษฐ์สนับสนุนการนับเซลล์ การแบ่งส่วนภูมิภาค และการให้คะแนนในภาพขนาดใหญ่เหล่านี้ ในหน่วยนี้ เราจะดูขั้นตอนการทำงานของ WSI ข้อผิดพลาดทางเทคนิคที่ใหญ่ที่สุด: ความแปรปรวนของการย้อมสี/การสแกน และเหตุใดการอนุมัติจากนักพยาธิวิทยาจึงเป็นสิ่งสำคัญ

เรามาเริ่มกันตั้งแต่ต้น: ปัญญาประดิษฐ์สามารถเป็นตัวตอบโต้เครื่องสแกนเบื้องต้นและตาที่สองในพยาธิวิทยา แต่การวินิจฉัยโรคมะเร็ง การแบ่งระยะ และการตัดสินใจในการให้คะแนนเป็นของนักพยาธิวิทยา โมเดลไม่ได้รับการวินิจฉัย

ขั้นตอนของเวิร์กโฟลว์ WSI

ขั้นตอนที่ 1 — การคัดกรองและการควบคุมคุณภาพ สแกนสไลด์กระจก สามารถตรวจจับข้อบกพร่อง เช่น พร่ามัว รอยพับ และฟองอากาศได้โดยอัตโนมัติ การสแกนคุณภาพต่ำไม่ควรเข้าสู่โมเดลเลย

ขั้นตอนที่ 2 — การลบไทล์ (แพตช์) ภาพระดับ Gigapixel ไม่สามารถประมวลผลได้โดยตรง แบ่งออกเป็นสี่เหลี่ยมเล็กๆ (แพตช์ภาษาอังกฤษ โดยทั่วไปคือ 256x256 หรือ 512x512 พิกเซล) แบบจำลองจะประเมินแต่ละไทล์แยกกัน จากนั้นจึงรวมผลลัพธ์เข้าด้วยกัน

ขั้นตอนที่ 3 — การวิเคราะห์เนื้อเยื่อ/เซลล์ แบบอย่าง; โดยดำเนินการต่างๆ เช่น การแบ่งส่วนบริเวณเนื้องอก การนับไมโทซิส (การแบ่งเซลล์) ความหนาแน่นของนิวเคลียส หรือการคำนวณเครื่องหมาย (เช่น อัตราการย้อมสี Ki-67) ผลลัพธ์ที่ได้คือการวัดเชิงตัวเลขหรือแผนที่ความร้อน

ขั้นตอนที่ 4 — การรวมบัญชีและการรายงาน ผลลัพธ์ไทล์จะรวมกันที่ระดับสไลด์ มีการจัดทำข้อมูลสรุป เช่น "เปอร์เซ็นต์ของพื้นที่เนื้องอก" หรือ "จำนวนไมโทติค"

ขั้นตอนที่ 5 — การประเมินโดยนักพยาธิวิทยา นักพยาธิวิทยาจะตรวจสอบบริเวณและจำนวนที่ทำเครื่องหมายโดยแบบจำลอง ยอมรับ แก้ไข หรือปฏิเสธ การวินิจฉัยและการให้คะแนนขึ้นอยู่กับนักพยาธิวิทยา

ข้อผิดพลาดที่ใหญ่ที่สุด: ความแปรปรวนของการย้อมและการสแกน

ส่วนเนื้อเยื่อมักจะย้อมด้วย H&E (hematoxylin และ eosin ซึ่งเป็นสีย้อมมาตรฐานที่ทำให้นิวเคลียสสีน้ำเงินม่วงและสีชมพูของไซโตพลาสซึม) แต่ความเข้มของคราบจะแตกต่างกันไปอย่างเห็นได้ชัดตามห้องปฏิบัติการ ชุดคราบ ความหนาของส่วน และยี่ห้อสแกนเนอร์ ดวงตาของมนุษย์จะปรับให้เข้ากับความแตกต่างเหล่านี้ได้อย่างง่ายดาย โมเดลอาจไม่เข้ากัน

หากแบบจำลองเรียนรู้ตามโทนสีชมพู-ม่วงของห้องแล็บ A ประสิทธิภาพของโมเดลจะลดลงเมื่อมีสีซีดกว่าหรือเข้มกว่าของห้องแล็บ B ปรากฏการณ์นี้เรียกว่าการเปลี่ยนโดเมน และเป็นสาเหตุที่พบบ่อยที่สุดของความล้มเหลวในพยาธิวิทยาดิจิทัล แนวทางการแก้ปัญหา: การปรับสีให้เป็นมาตรฐาน (การย้ายรูปภาพไปยังพื้นที่สีทั่วไป) ข้อมูลการฝึกอบรมแบบหลายศูนย์ และที่สำคัญที่สุดคือ การตรวจสอบความถูกต้องจากภายนอกในห้องปฏิบัติการแต่ละแห่งที่จะใช้

คดีเล็กๆ สามคดี: ตามตัวเลข

กรณีที่ 1 — ความสม่ำเสมอในการนับไมโทติค การนับไมโทติคในการให้คะแนนมะเร็งเต้านมมีความสำคัญแต่ต้องใช้ความลำบากและแปรผันจากผู้สังเกตการณ์ไปยังผู้สังเกตการณ์ การนับเบื้องต้นที่ได้รับความช่วยเหลือจาก AI ในห้องปฏิบัติการแห่งหนึ่ง ข้อตกลง (คัปปา) ระหว่างนักพยาธิวิทยาสองคนเพิ่มขึ้นจาก 0.55 เป็น 0.71 และเวลานับต่อสไลด์ลดลงจาก 4 นาทีเป็น 1.5 นาที อย่างไรก็ตาม การนับครั้งสุดท้ายแต่ละครั้งได้รับการยืนยันโดยนักพยาธิวิทยา แบบจำลองแนะนำ นักพยาธิวิทยาตัดสินใจ

กรณีที่ 2 — การเข้ากะสนาม ในห้องปฏิบัติการที่พัฒนาแบบจำลองการแบ่งส่วนเนื้องอก แบบจำลองนี้ทำงานได้อย่างถูกต้อง 93% แบบจำลองเดียวกันนี้ประเมินพื้นที่เนื้องอกสูงเกินไปอย่างเป็นระบบถึง 20% ในห้องปฏิบัติการพันธมิตรโดยใช้เครื่องสแกนและสีย้อมที่แตกต่างกัน หลังจากการปรับสีให้เป็นมาตรฐานและการตรวจสอบความถูกต้องอีกครั้งด้วยสไลด์ 200 สไลด์จากห้องปฏิบัติการนั้น ความแตกต่างก็ลดลงจนถึงระดับที่ยอมรับได้

กรณีที่ 3 — การสุ่มตัวอย่างที่ผิดพลาด แบบจำลองหนึ่งบอกว่า "ไม่" มีเนื้องอกบนสไลด์ อย่างไรก็ตาม แบบจำลองจะประเมินเฉพาะพื้นที่ที่สแกน และเนื้องอกอยู่ในส่วนที่ไม่ได้สุ่มตัวอย่าง การวินิจฉัยทางพยาธิวิทยานั้นดีพอๆ กับการเลือกสไลด์และการสุ่มตัวอย่าง เอาต์พุต "เชิงลบ" ของ AI ไม่ได้ชดเชยการสุ่มตัวอย่างน้อยไป นั่นเป็นเหตุผลว่าทำไมผลลัพธ์ AI ที่เป็นลบเพียงอย่างเดียวไม่ได้หมายความว่า "ไม่มีโรค"

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

หมายเหตุ: พร้อมท์ต่อไปนี้ใช้สำหรับการกำหนดค่ารายงานพยาธิวิทยาและข้อความเวิร์กโฟลว์ การวินิจฉัยภาพเนื้อเยื่อเป็นผลงานของซอฟต์แวร์และนักพยาธิวิทยาที่ได้รับการตรวจสอบแล้ว

พรอมต์ที่อ่อนแอ:

ตามรายงานพยาธิวิทยานี้ มีมะเร็งหรือไม่? [รายงาน]

พรอมต์อันทรงพลัง:

บทบาทของคุณ: คุณเป็นผู้ช่วยจัดโครงสร้างรายงานทางพยาธิวิทยา (คุณไม่ใช่การวินิจฉัย) จัดโครงสร้างรายงานพยาธิวิทยาที่ไม่ระบุชื่อดังต่อไปนี้: - ตารางประเภทสิ่งส่งตรวจ การย้อมสี ชนิด/เกรดของเนื้องอก ขอบการผ่าตัด เครื่องหมาย - คงข้อความที่คลุมเครือ ("ไม่ปกติ แนะนำให้ใช้ความสัมพันธ์ทางคลินิก") - เพิ่มข้อมูลการค้นพบที่ไม่ได้อยู่ในข้อความ เขียน “unspecified” ในช่องที่ขาดหายไป- สุดท้ายระบุ 3 ประเด็นที่นักพยาธิวิทยาควรยืนยัน รายงานนิรนาม:[ข้อความ]

เทมเพลตที่คัดลอกได้สี่แบบ

1) การกำหนดมาตรฐานรายงาน:

พล็อตรายงานพยาธิวิทยาที่ไม่ระบุชื่อต่อไปนี้ลงในฟิลด์ที่มีโครงสร้าง (อวัยวะ การวินิจฉัย เกรด ระยะขอบ เปอร์เซ็นต์เครื่องหมาย) ยึดติดกับข้อความ รายงาน: [ข้อความ]

2) การตรวจสอบความสอดคล้องของโทเค็น:

แสดงรายการเครื่องหมายเปอร์เซ็นต์และตัวเลขทั้งหมด (Ki-67, ER, PR, HER2) ที่กล่าวถึงในรายงานนี้ ทำเครื่องหมายค่าที่ขัดแย้งกันหรือกับการวินิจฉัย รายงาน: [ข้อความ]

3) แผนการตรวจสอบแบบจำลอง (พยาธิวิทยาดิจิทัล):

เขียนแผนการตรวจสอบความถูกต้องร่างสำหรับแบบจำลองการแบ่งส่วน WSI: การทำให้สีเป็นมาตรฐาน การตรวจสอบภายนอกแบบหลายศูนย์ ข้อตกลงทางพยาธิวิทยา (คัปปา) การทดสอบการเปลี่ยนภาคสนาม ทำเครื่องหมายจุดตรวจสอบความถูกต้องของนักพยาธิวิทยาแยกกัน

4) การเพิ่มคำเตือนการสุ่มตัวอย่าง:

นอกเหนือจากผลลัพธ์ AI เชิงลบต่อไปนี้ คำเตือนว่า "การสุ่มตัวอย่างอาจถูกจำกัด ผลลัพธ์เชิงลบไม่รวมถึงโรค" และข้อกำหนดสำหรับการยืนยันจากนักพยาธิวิทยา เอาท์พุต: [ข้อความ]

บทบาทของโมเดล: ตามประเภทงาน

ประเภทงาน

การมีส่วนร่วมของ AI

การวิพากษ์วิจารณ์

การตรวจสอบ

การแบ่งส่วนบริเวณเนื้องอก

สูง

สูง

พยาธิแพทย์ + การตรวจสอบจากภายนอก

ไมโทซิส/จำนวนเซลล์

สูง

สูง

การยืนยันของนักพยาธิวิทยา

เปอร์เซ็นต์ของเครื่องหมาย (Ki-67)

สูง

ปานกลาง

การเปรียบเทียบการอ้างอิง

การควบคุมคุณภาพ (โฟกัส/ข้อบกพร่อง)

สูง

ต่ำ

ตรวจสอบจุด

การกำหนดค่ารายงาน (ข้อความ)

สูง

ต่ำ

การยืนยันของนักพยาธิวิทยา

เคล็ดลับ: เมื่อประเมินข้อเสนอแบบจำลองทางพยาธิวิทยาดิจิทัล ให้ถามเสมอว่า: "แบบจำลองนี้เปื้อนและเครื่องสแกนของห้องปฏิบัติการใดที่ได้รับการฝึกอบรม และได้รับการตรวจสอบในห้องปฏิบัติการของฉันหรือไม่" หากคำตอบคือ "ไม่" ตัวเลขด้านประสิทธิภาพยังไม่มีผลกับคุณ

ข้อควรระวัง: การที่ AI แจ้งว่า "ไม่มีเนื้องอก" ไม่ได้หมายความว่าไม่มีเนื้องอกในเนื้อเยื่อที่ไม่ได้เก็บตัวอย่าง ผลลัพธ์เชิงลบในพยาธิวิทยาถูกจำกัดด้วยคุณภาพของการเก็บตัวอย่าง รูปแบบต้องไม่เกินขีดจำกัดนี้ และผลลัพธ์เชิงลบไม่รับประกันการวินิจฉัย

ข้อผิดพลาดทั่วไป

• ประเมินความแปรปรวนของสี/สีย้อมต่ำเกินไป การเคลื่อนตัวของสนามเป็นสาเหตุที่พบบ่อยที่สุดของความล้มเหลวในพยาธิวิทยาดิจิทัล
• ฝึกอบรมในศูนย์เดียวและใช้งานได้ทุกที่ เบราว์เซอร์และการระบายสีที่แตกต่างกันจะทำให้ประสิทธิภาพลดลงอย่างเงียบๆ
• เข้าใจผิดว่าผลลัพธ์เชิงลบเพื่อความมั่นใจ โมเดลไม่สามารถชดเชยขีดจำกัดการสุ่มตัวอย่างได้
• ละเว้นความแปรปรวนของเซิร์ฟเวอร์ระหว่างผู้สังเกตการณ์ แบบจำลองควรได้รับการประเมินตามนั้นหากมาตรฐานอ้างอิงนั้นแปรผัน
• กำจัดนักพยาธิวิทยา รองรับการนับและการแบ่งส่วน การวินิจฉัยและการให้คะแนน พักกับนักพยาธิวิทยา

โดยสรุป

• พยาธิวิทยาดิจิทัลวิเคราะห์ภาพ WSI ระดับกิกะพิกเซลโดยแบ่งออกเป็นไทล์ AI รองรับการนับและการแบ่งส่วนเซลล์
• กับดักทางเทคนิคที่ใหญ่ที่สุดคือการเบี่ยงเบนของสนามเนื่องจากความแปรปรวนของการย้อมสี/การสแกน การทำให้สีเป็นมาตรฐานและการตรวจสอบความถูกต้องจากภายนอกถือเป็นสิ่งสำคัญ
• ผลลัพธ์ AI ที่เป็นลบจะถูกจำกัดด้วยขีดจำกัดการสุ่มตัวอย่าง และไม่ได้ให้การรับประกันในการวินิจฉัย
• มาตรฐานอ้างอิงและความแปรปรวนระหว่างเซิร์ฟเวอร์สังเกตการณ์เป็นบริบทสำหรับการประเมินแบบจำลอง
• การวินิจฉัย การแบ่งระยะ และการให้คะแนนเป็นความรับผิดชอบของนักพยาธิวิทยา AI ไม่วินิจฉัย

งานสมัคร

เลือกแบบจำลองพยาธิวิทยาดิจิทัลเชิงสมมุติ (เช่น การคำนวณเปอร์เซ็นต์ Ki-67) เขียนแผนการตรวจสอบภายนอกสำหรับแบบจำลองนี้: จำนวนสไลด์จากห้องปฏิบัติการใด, การปรับสีให้เป็นมาตรฐาน, คุณจะวัดข้อตกลงของนักพยาธิวิทยาอย่างไร และคุณจะทดสอบการเบี่ยงเบนของฟิลด์อย่างไร จากนั้นเขียนคำเตือนข้อจำกัดที่ควรเพิ่มลงในเอาต์พุตเชิงลบ/บวกของโมเดลในหนึ่งประโยค

รายการตรวจสอบ

• [ ] ฉันรู้ขั้นตอนการสแกน การปูกระเบื้อง การวิเคราะห์ และการประกอบขั้นตอนการทำงานของ WSI
• [ ] ฉันเข้าใจว่าความแปรปรวนของสี/การสแกนทำให้เกิดการเคลื่อนตัวของฟิลด์ได้อย่างไร และมีวิธีการจัดการอย่างไร
• [ ] ฉันเข้าใจว่าผลลัพธ์ AI เชิงลบนั้นถูกจำกัดด้วยขีดจำกัดการสุ่มตัวอย่าง
• [ ] ฉันสามารถใช้แนวคิดของข้อตกลงการตรวจสอบภายนอกและพยาธิวิทยา (กัปปะ) ได้
• [ ] ฉันได้ตระหนักแล้วว่าการวินิจฉัยและการตัดสินใจในการให้คะแนนยังคงอยู่กับนักพยาธิวิทยา