Kazanimlar:
- Tüm slayt görüntüsü (WSI) iş akışında yapay zekanın hücre sayımı, bölütleme ve derecelendirme desteğini açıklayabilme
- Boyama ve tarama değişkenliğinin model performansına etkisini ve alan kaymasını (domain shift) tanıyabilme
- Patoloji AI çıktılarını referans standardı, örnekleme ve patolog onayıyla doğrulayabilme
Patoloji, bir doku örneğinin mikroskop altında incelenerek hastalığın tanımlandığı tıp dalıdır; birçok kanser tanısının "altın standardı" burada konur. Dijital patoloji, cam lam üzerindeki boyalı doku kesitinin yüksek çözünürlüklü bir tarayıcıyla dijitalleştirilmesidir. Ortaya çıkan dosyaya tüm slayt görüntüsü (İngilizce Whole Slide Image, kısaca WSI) denir; tek bir slayt gigapiksel boyutunda, yani milyarlarca piksellik dev bir görüntü olabilir. Yapay zeka bu devasa görüntülerde hücre sayımı, bölge bölütleme ve derecelendirme desteği sunar. Bu ünitede WSI iş akışını, en büyük teknik tuzağı olan boyama/tarama değişkenliğini ve patolog onayının neden vazgeçilmez olduğunu göreceğiz.
Baştan belirtelim: yapay zeka patolojide bir sayaç, bir ön tarayıcı ve bir ikinci göz olabilir; ama kanser tanısı, evreleme ve derecelendirme kararı patologundur. Model teşhis koymaz.
WSI İş Akışının Adımları
Adım 1 — Tarama ve kalite kontrol. Cam lam taranır; odak bozukluğu, kat izi, hava kabarcığı gibi kusurlar otomatik tespit edilebilir. Kalitesiz taramalar modele hiç girmemelidir.
Adım 2 — Karo (patch) çıkarma. Gigapiksel görüntü doğrudan işlenemez; küçük karelere (İngilizce patch, tipik olarak 256x256 veya 512x512 piksel) bölünür. Model her karoyu ayrı değerlendirir, sonra sonuçlar birleştirilir.
Adım 3 — Doku/hücre analizi. Model; tümör bölgesi bölütleme, mitoz (bölünen hücre) sayımı, çekirdek yoğunluğu veya bir belirteç (örneğin Ki-67 boyanma oranı) hesaplama gibi görevleri yürütür. Çıktı sayısal bir ölçüm veya bir ısı haritasıdır.
Adım 4 — Birleştirme ve raporlama. Karo sonuçları slayt düzeyinde birleştirilir; örneğin "tümör alanı yüzdesi" veya "mitotik sayım" gibi bir özet üretilir.
Adım 5 — Patolog değerlendirmesi. Patolog, modelin işaretlediği bölgeleri ve sayımları inceler; kabul eder, düzeltir veya reddeder. Tanı ve derecelendirme patologundur.
En Büyük Tuzak: Boyama ve Tarama Değişkenliği
Doku kesitleri genellikle H&E (hematoksilen ve eozin; çekirdekleri mavi-mor, sitoplazmayı pembe boyayan standart boya) ile boyanır. Ama boyama yoğunluğu laboratuvara, boya partisine, kesit kalınlığına ve tarayıcı markasına göre belirgin biçimde değişir. İnsan gözü bu farklara kolayca uyum sağlar; model uyum sağlamayabilir.
Bir model A laboratuvarının pembe-mor tonlarına göre öğrenmişse, B laboratuvarının daha soluk veya daha koyu boyamasında performansı düşer. Bu olguya alan kayması (İngilizce domain shift) denir ve dijital patolojinin en yaygın başarısızlık nedenidir. Çözüm yaklaşımları: renk normalizasyonu (görüntüleri ortak bir renk uzayına taşıma), çok merkezli eğitim verisi ve — en önemlisi — kullanılacak her laboratuvarda dış doğrulama.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Mitoz sayımında tutarlılık. Meme kanseri derecelendirmesinde mitoz sayımı önemli ama zahmetli ve gözlemciden gözlemciye değişkendir. Bir laboratuvarda AI destekli ön sayım, iki patolog arasındaki uyum (kappa) 0,55'ten 0,71'e çıktı ve slayt başına sayım süresi 4 dakikadan 1,5 dakikaya indi. Yine de her nihai sayım patolog tarafından teyit edildi; model önerdi, patolog karar verdi.
Vaka 2 — Alan kaymasının vurması. Bir tümör bölütleme modeli geliştiren laboratuvarda %93 alanda doğru çalışıyordu. Aynı model, farklı bir tarayıcı ve boya kullanan iş ortağı laboratuvarda tümör alanını sistematik olarak %20 fazla tahmin etti. Renk normalizasyonu ve o laboratuvardan 200 slaytla yeniden doğrulama sonrası fark kabul edilebilir düzeye indi.
Vaka 3 — Örnekleme yanılgısı. Bir model, bir slaytta tümör "yok" dedi; ancak model yalnızca taranan alanı değerlendirmişti ve tümör, örneklenmemiş bir kesitteydi. Patoloji tanısı slayt seçimi ve örnekleme kadar iyidir; AI "negatif" çıktısı, yetersiz örneklemeyi telafi etmez. Bu yüzden negatif AI sonucu asla tek başına "hastalık yok" anlamına gelmez.
Zayıf Prompt / Güçlü Prompt
Not: Aşağıdaki promptlar patoloji raporu ve iş akışı metnini yapılandırmak içindir; doku görüntüsü tanısı doğrulanmış yazılım ve patolog işidir.
Zayıf prompt:
Bu patoloji raporuna göre kanser var mı?[rapor]
Güçlü prompt:
Rolün: Patoloji raporu yapılandırma asistanısın (TANI KOYMUYORSUN).Aşağıdaki anonim patoloji raporunu yapılandır:- Örnek türü, boyama, tümör tipi/derecesi, cerrahi sınır, belirteçleri tabloya çıkar.- Belirsiz ifadeleri ("atipik, klinik korelasyon önerilir") aynen koru.- Metinde olmayan hiçbir bulgu ekleme; eksik alanı "belirtilmemiş" yaz.- Sonunda patoloğun teyit etmesi gereken 3 noktayı listele.Anonim rapor:[metin]
Dört Kopyalanabilir Şablon
1) Rapor standardizasyonu:
Aşağıdaki anonim patoloji raporunu yapılandırılmış alanlara (organ, tanı,derece, sınır, belirteç yüzdeleri) dök. Metne sadık kal. Rapor: [metin]
2) Belirteç tutarlılık kontrolü:
Bu raporda geçen tüm yüzde ve sayısal belirteçleri (Ki-67, ER, PR, HER2)listele; birbirleriyle veya tanıyla çelişen değerleri işaretle. Rapor: [metin]
3) Model doğrulama planı (dijital patoloji):
Bir WSI bölütleme modeli için doğrulama planı taslağı yaz: renk normalizasyonu,çok merkezli dış doğrulama, patolog uyumu (kappa), alan kayması testi.Patolog onay noktalarını ayrı işaretle.
4) Örnekleme uyarısı ekleme:
Aşağıdaki negatif AI çıktısına, "örnekleme sınırlı olabilir, negatif sonuçhastalığı dışlamaz" uyarısını ve patolog teyidi gerekliliğini ekle. Çıktı: [metin]
Modelin Rolü: Görev Türüne Göre
Görev türü
AI katkısı
Kritiklik
Doğrulama
Tümör bölge bölütleme
Yüksek
Yüksek
Patolog + dış doğrulama
Mitoz/hücre sayımı
Yüksek
Yüksek
Patolog teyidi
Belirteç yüzdesi (Ki-67)
Yüksek
Orta
Referans karşılaştırma
Kalite kontrol (odak/kusur)
Yüksek
Düşük
Nokta kontrol
Rapor yapılandırma (metin)
Yüksek
Düşük
Patolog teyidi
İpucu: Dijital patolojide bir model önerisini değerlendirirken her zaman sorun: "Bu model hangi laboratuvarların boyama ve tarayıcılarında eğitildi ve benim laboratuvarımda doğrulandı mı?" Yanıt "hayır" ise performans rakamları sizin için henüz geçerli değildir.
Dikkat: AI'ın "tümör yok" demesi, örneklenmemiş dokuda tümör olmadığını göstermez. Patolojide negatif sonuç, örnekleme kalitesiyle sınırlıdır; model bu sınırı aşamaz ve negatif çıktı tanısal güvence değildir.
Sık yapılan hatalar
- Renk/boya değişkenliğini hafife almak. Alan kayması dijital patolojinin en yaygın başarısızlık nedenidir.
- Tek merkezde eğitip her yerde kullanmak. Farklı tarayıcı ve boyama, sessiz performans düşüşü yaratır.
- Negatif çıktıyı güvence sanmak. Örnekleme sınırı model tarafından telafi edilemez.
- Gözlemciler arası değişkenliği yok saymak. Model, referans standardın kendisi değişkense buna göre değerlendirilmelidir.
- Patoloğu devreden çıkarmak. Sayım ve bölütleme destektir; tanı ve derecelendirme patologundur.
Özetle
- Dijital patoloji, gigapiksel WSI görüntülerini karolara bölerek analiz eder; AI hücre sayımı ve bölütleme ile destek verir.
- En büyük teknik tuzak boyama/tarama değişkenliğinden doğan alan kaymasıdır; renk normalizasyonu ve dış doğrulama şarttır.
- Negatif AI sonucu örnekleme sınırıyla kısıtlıdır ve tanısal güvence sağlamaz.
- Referans standart ve gözlemciler arası değişkenlik, model değerlendirmesinin bağlamıdır.
- Tanı, evreleme ve derecelendirme patologundur; yapay zeka teşhis koymaz.
Uygulama görevi
Varsayımsal bir dijital patoloji modeli seçin (örneğin Ki-67 yüzdesi hesaplama). Bu model için bir dış doğrulama planı yazın: hangi laboratuvarlardan kaç slayt, hangi renk normalizasyonu, patolog uyumunu nasıl ölçeceğiniz ve alan kaymasını nasıl test edeceğiniz. Ardından modelin negatif/pozitif çıktısına eklenmesi gereken sınırlama uyarısını bir cümleyle yazın.
Kontrol listesi
- [ ] WSI iş akışının tarama, karo, analiz ve birleştirme adımlarını biliyorum.
- [ ] Boyama/tarama değişkenliğinin alan kaymasına yol açtığını ve nasıl yönetildiğini kavradım.
- [ ] Negatif AI sonucunun örnekleme sınırıyla kısıtlı olduğunu biliyorum.
- [ ] Dış doğrulama ve patolog uyumu (kappa) kavramlarını kullanabiliyorum.
- [ ] Tanı ve derecelendirme kararının patologda kaldığını içselleştirdim.