Mga nadagdag:
- Kakayahang ipaliwanag ang suporta ng AI para sa cell counting, segmentation, at grading sa isang buong slide image (WSI) workflow
- Kakayahang kilalanin ang epekto ng pagkakaiba-iba ng pagpipinta at pag-scan sa pagganap ng modelo at paglilipat ng domain
- Kakayahang i-validate ang mga output ng AI sa pathology na may reference na pamantayan, sampling at pag-apruba ng pathologist
Ang patolohiya ay ang sangay ng medisina kung saan nakikilala ang sakit sa pamamagitan ng pagsusuri sa sample ng tissue sa ilalim ng mikroskopyo; Ang "gold standard" ng maraming diagnosis ng kanser ay ginawa dito. Ang digital pathology ay ang digitization ng isang stained tissue section sa isang glass slide na may high-resolution na scanner. Ang resultang file ay tinatawag na isang buong slide image (WSI para sa maikli); Ang isang solong slide ay maaaring isang higanteng imahe ng laki ng gigapixel, iyon ay, bilyun-bilyong pixel. Sinusuportahan ng artificial intelligence ang pagbibilang ng cell, pag-segment ng rehiyon at pag-grado sa malalaking larawang ito. Sa unit na ito makikita natin ang workflow ng WSI, ang pinakamalaking teknikal na pitfall nito: pag-staining/scanning variability, at kung bakit mahalaga ang pag-apruba ng pathologist.
Sabihin natin mula sa simula: ang artificial intelligence ay maaaring maging isang counter, isang paunang scanner at isang pangalawang mata sa patolohiya; Ngunit ang diagnosis ng kanser, pagtatanghal ng dula at mga desisyon sa pagmamarka ay nabibilang sa pathologist. Ang modelo ay hindi nag-diagnose.
Mga Hakbang ng WSI Workflow
Hakbang 1 — Pag-screen at kontrol sa kalidad. Ang glass slide ay na-scan; Ang mga depekto gaya ng defocus, fold marks, at air bubbles ay maaaring awtomatikong matukoy. Hindi dapat pumasok sa modelo ang mahinang kalidad ng mga pag-scan.
Hakbang 2 — Pag-alis ng tile (patch). Hindi maproseso nang direkta ang Gigapixel na imahe; ay nahahati sa maliliit na parisukat (English patch, karaniwang 256x256 o 512x512 pixels). Sinusuri ng modelo ang bawat tile nang hiwalay, pagkatapos ay pinagsama ang mga resulta.
Hakbang 3 — Pagsusuri ng tissue/cell. Modelo; Nagsasagawa ito ng mga gawain tulad ng pag-segment ng tumor site, pagbilang ng mitosis (paghahati ng cell), nuclear density o pagkalkula ng marker (hal. Ki-67 staining rate). Ang output ay isang numerical measurement o isang heat map.
Hakbang 4 — Pagsasama-sama at pag-uulat. Ang mga resulta ng tile ay pinagsama sa antas ng slide; Ang isang buod ay ginawa, halimbawa, "porsyento ng lugar ng tumor" o "mitotic count".
Hakbang 5 - Pagsusuri ng pathologist. Sinusuri ng pathologist ang mga rehiyon at mga bilang na minarkahan ng modelo; tinatanggap, itinutuwid o tinatanggihan. Ang diagnosis at grading ay nasa pathologist.
Ang Pinakamalaking Pitfall: Pagtitina at Pagkakaiba-iba ng Pag-scan
Ang mga seksyon ng tissue ay karaniwang nabahiran ng H&E (hematoxylin at eosin; ang karaniwang dye na nagpapalamlam sa nuclei blue-violet at ang cytoplasm pink). Ngunit ang intensity ng paglamlam ay kapansin-pansing nag-iiba ayon sa laboratoryo, batch ng mantsa, kapal ng seksyon, at brand ng scanner. Ang mata ng tao ay madaling umangkop sa mga pagkakaibang ito; Maaaring hindi tugma ang modelo.
Kung natuto ang isang modelo batay sa pink-purple tones ng lab A, bababa ang performance nito sa mas maputla o mas maitim na paglamlam ng lab B. Ang phenomenon na ito ay tinatawag na domain shift at ang pinakakaraniwang sanhi ng pagkabigo sa digital pathology. Mga diskarte sa solusyon: normalisasyon ng kulay (paglilipat ng mga larawan sa isang karaniwang espasyo ng kulay), data ng pagsasanay sa multicenter, at — higit sa lahat — panlabas na pagpapatunay sa bawat laboratoryo na gagamitin.
Tatlong Mini Case: Sa pamamagitan ng Mga Numero
Case 1 — Consistency sa mitotic count. Ang pagbilang ng mitotic sa pag-grado ng kanser sa suso ay mahalaga ngunit matrabaho at pabagu-bago mula sa nagmamasid hanggang sa nagmamasid. Ang paunang pagbibilang na tinulungan ng AI sa isang laboratoryo, ang kasunduan (kappa) sa pagitan ng dalawang pathologist ay tumaas mula 0.55 hanggang 0.71, at ang oras ng pagbibilang sa bawat slide ay bumaba mula 4 minuto hanggang 1.5 minuto. Gayunpaman, ang bawat huling bilang ay kinumpirma ng pathologist; Iminungkahi ng modelo, nagpasya ang pathologist.
Case 2 — Field shift hit. Sa laboratoryo na bumuo ng isang modelo ng segmentation ng tumor, ito ay gumagana nang tama sa 93% ng oras. Ang parehong modelo ay sistematikong na-overestimated ang tumor area ng 20% sa partner laboratoryo gamit ang ibang scanner at dye. Pagkatapos ng normalization ng kulay at revalidation na may 200 slide mula sa laboratoryo na iyon, bumaba ang pagkakaiba sa isang katanggap-tanggap na antas.
Case 3 — Sampling fallacy. Isang modelo ang nagsabi ng "no" na tumor sa isang slide; gayunpaman, sinuri lamang ng modelo ang na-scan na lugar at ang tumor ay nasa hindi naka-sample na seksyon. Ang diagnosis ng patolohiya ay kasing ganda ng pagpili ng slide at sampling; Ang "negatibong" na output ng AI ay hindi nagbabayad para sa undersampling. Kaya naman ang negatibong resulta ng AI lamang ay hindi nangangahulugang "walang sakit".
Mahina Prompt / Malakas na Prompt
Tandaan: Ang mga sumusunod na prompt ay para sa pag-configure ng ulat ng patolohiya at teksto ng daloy ng trabaho; Ang diagnosis ng imahe ng tissue ay gawa ng na-verify na software at mga pathologist.
Mahinang prompt:
Ayon sa ulat ng patolohiya na ito, mayroon bang cancer? [ulat]
Napakahusay na prompt:
Ang iyong tungkulin: Ikaw ang katulong sa pag-istruktura ng ulat ng patolohiya (HINDI KA DIAGNOSIS). Buuin ang sumusunod na anonymous na ulat ng patolohiya:- Itala ang uri ng ispesimen, paglamlam, uri/grado ng tumor, surgical margin, mga marker.- Panatilihing buo ang hindi tiyak na mga salita ("atypical, clinical correlation na inirerekomenda").- Magdagdag ng walang mga natuklasan na wala sa teksto; isulat ang "hindi natukoy" sa nawawalang field.- Panghuli, maglista ng 3 puntos na dapat kumpirmahin ng pathologist. Anonymous na ulat:[text]
Apat na Nakokopyang Template
1) Pag-uulat ng standardisasyon:
I-plot ang sumusunod na anonymous na ulat ng patolohiya sa mga structured na field (organ, diagnosis, grade, margin, marker percentages). Dumikit sa text. Ulat: [teksto]
2) Pagsusuri ng pagkakapare-pareho ng token:
Ilista ang lahat ng porsyento at numerical marker (Ki-67, ER, PR, HER2) na binanggit sa ulat na ito; Markahan ang mga halaga na sumasalungat sa isa't isa o sa diagnosis. Ulat: [teksto]
3) Plano sa pagpapatunay ng modelo (digital na patolohiya):
Sumulat ng draft na validation plan para sa isang WSI segmentation model: color normalization, multicenter external validation, pathologist agreement (kappa), field shift testing. Markahan ang mga punto ng pagpapatunay ng pathologist nang hiwalay.
4) Pagdaragdag ng babala sa sampling:
Idagdag sa sumusunod na negatibong resulta ng AI ang caveat na "maaaring limitado ang sampling, hindi ibinubukod ng negatibong resulta ang sakit" at ang kinakailangan para sa kumpirmasyon ng pathologist. Output: [teksto]
Tungkulin ng Modelo: Ayon sa Uri ng Gawain
Uri ng gawain
kontribusyon ng AI
pagiging kritikal
pagpapatunay
Pag-segment ng rehiyon ng tumor
mataas
mataas
Pathologist + panlabas na pag-verify
Mitosis/bilang ng cell
mataas
mataas
Pagkumpirma ng pathologist
Porsiyento ng marker (Ki-67)
mataas
daluyan
Paghahambing ng sanggunian
Kontrol sa kalidad (focus/depekto)
mataas
mababa
spot check
Configuration ng ulat (teksto)
mataas
mababa
Pagkumpirma ng pathologist
Tip: Kapag sinusuri ang isang panukalang modelo sa digital pathology, palaging itanong: "Aling mga mantsa at scanner ng mga laboratoryo ang nasanay sa modelong ito, at napatunayan ba ito sa aking laboratoryo?" Kung ang sagot ay "hindi", ang mga bilang ng pagganap ay hindi pa nalalapat sa iyo.
Pag-iingat: Dahil lang sa sinabi ng AI na "walang tumor" ay hindi nangangahulugan na walang tumor sa hindi na-sample na tissue. Ang negatibong resulta sa patolohiya ay limitado sa kalidad ng sampling; ang pattern ay hindi maaaring lumampas sa limitasyong ito at ang isang negatibong resulta ay hindi diagnostic assurance.
Mga karaniwang pagkakamali
- Minaliit ang pagkakaiba-iba ng kulay/kulay. Ang field drift ay ang pinakakaraniwang sanhi ng pagkabigo sa digital pathology.
- Magsanay sa isang sentro at gamitin kahit saan. Ang iba't ibang browser at pangkulay ay lumilikha ng tahimik na pagkasira ng pagganap.
- Napagkakamalang isang negatibong resulta para sa kasiguruhan. Ang limitasyon ng sampling ay hindi mabayaran ng modelo.
- Hindi pinapansin ang pagkakaiba-iba ng interobserver. Ang modelo ay dapat na masuri nang naaayon kung ang reference standard mismo ay variable.
- Pag-aalis ng pathologist. Ang pagbibilang at pagse-segment ay suporta; Diagnosis at grading rest sa pathologist.
Sa buod
- Sinusuri ng digital pathology ang gigapixel WSI na mga imahe sa pamamagitan ng paghahati sa mga ito sa mga tile; Sinusuportahan ng AI ang pagbibilang at pagse-segment ng cell.
- Ang pinakamalaking teknikal na bitag ay ang field drift dahil sa pagkakaiba-iba ng paglamlam/pag-scan; Ang normalisasyon ng kulay at panlabas na pagpapatunay ay mahalaga.
- Ang isang negatibong resulta ng AI ay nalilimitahan ng limitasyon ng sampling at hindi nagbibigay ng diagnostic na katiyakan.
- Ang pamantayan ng sanggunian at pagkakaiba-iba ng interobserver ay ang konteksto para sa pagsusuri ng modelo.
- Ang diagnosis, pagtatanghal ng dula, at pagmamarka ay responsibilidad ng pathologist; Hindi nag-diagnose ang AI.
Gawain ng aplikasyon
Pumili ng hypothetical digital pathology model (hal. Ki-67 percentage kalkulasyon). Sumulat ng isang panlabas na plano sa pagpapatunay para sa modelong ito: kung gaano karaming mga slide mula sa aling mga lab, anong kulay ang normalisasyon, kung paano mo susukatin ang kasunduan sa pathologist, at kung paano mo susuriin ang field drift. Pagkatapos ay isulat sa isang pangungusap ang babala ng hadlang na dapat idagdag sa negatibo/positibong output ng modelo.
checklist
- [ ] Alam ko ang mga hakbang sa pag-scan, pag-tile, pagsusuri at pag-composite ng workflow ng WSI.
- [ ] Naiintindihan ko kung paano nagiging sanhi ng pag-anod ng field ang pagkakaiba-iba ng pintura/scan at kung paano ito pinamamahalaan.
- [ ] Naiintindihan ko na ang negatibong resulta ng AI ay nililimitahan ng limitasyon ng sampling.
- [ ] Magagamit ko ang mga konsepto ng external validation at pathologist agreement (kappa).
- [ ] Na-internalize ko na nananatili sa pathologist ang diagnosis at desisyon sa pagmamarka.