Прибуток:
- Можливість пояснити підтримку ШІ для підрахунку клітин, сегментації та сортування в робочому процесі повного зображення слайда (WSI).
- Здатність розпізнавати вплив мінливості малювання та сканування на продуктивність моделі та зсув домену
- Можливість перевірки результатів штучного інтелекту патології за допомогою еталонного стандарту, відбору проб і схвалення патологоанатома
Патологія — це галузь медицини, в якій захворювання ідентифікують шляхом дослідження зразка тканини під мікроскопом; Тут проводиться «золотий стандарт» багатьох онкологічних діагнозів. Дигітальна патологія — це оцифровка пофарбованого зрізу тканини на предметному склі за допомогою сканера високої роздільної здатності. Отриманий файл називається повним зображенням слайда (скорочено WSI); Один слайд може бути гігантським зображенням розміром у гігапікселі, тобто мільярди пікселів. Штучний інтелект підтримує підрахунок клітин, сегментацію регіонів і класифікацію на цих величезних зображеннях. У цьому розділі ми побачимо робочий процес WSI, його найбільшу технічну пастку: варіативність фарбування/сканування та чому схвалення патологоанатома є важливим.
Скажемо з самого початку: штучний інтелект може бути і лічильником, і попереднім сканером, і другим оком у патології; Але діагностика раку, визначення стадії та оцінки раку належать патологоанатому. Модель не діагностує.
Етапи робочого процесу WSI
Крок 1 — Відбір і контроль якості. Предметне скло сканується; Такі дефекти, як розфокусування, сліди згинів і бульбашки повітря, можна виявити автоматично. Неякісні скани взагалі не повинні потрапляти в модель.
Крок 2 — Видалення плитки (латки). Гігапіксельне зображення не можна обробити безпосередньо; ділиться на невеликі квадратики (англ. patch, зазвичай 256x256 або 512x512 пікселів). Модель оцінює кожну плитку окремо, потім результати об’єднуються.
Крок 3 — Аналіз тканин/клітин. модель; Він виконує такі завдання, як сегментація ділянки пухлини, підрахунок мітозу (клітин, що діляться), ядерна щільність або розрахунок маркера (наприклад, швидкість фарбування Ki-67). Результатом є числове вимірювання або теплова карта.
Крок 4 — Консолідація та звітність. Результати плиток об’єднуються на рівні слайдів; Формується підсумок, наприклад, «відсоток площі пухлини» або «мітотична кількість».
Крок 5 — Оцінка патологоанатома. Патологоанатом оглядає ділянки та підраховує позначені моделлю; приймає, виправляє або відхиляє. Діагноз і класифікація залежить від патологоанатома.
Найбільший підводний камінь: різноманітність фарбування та сканування
Зрізи тканин зазвичай фарбують H&E (гематоксилін і еозин; стандартний барвник, який забарвлює ядра в синьо-фіолетовий колір і цитоплазму в рожевий колір). Але інтенсивність фарбування помітно залежить від лабораторії, партії фарбування, товщини зрізу та марки сканера. Людське око легко адаптується до цих відмінностей; Можливо, модель не сумісна.
Якщо модель навчилася на основі рожево-фіолетових тонів лабораторії A, її ефективність знизиться на блідішому або темнішому фарбуванні лабораторії B. Це явище називається зміщенням домену та є найпоширенішою причиною невдачі в цифровій патології. Підходи до вирішення: нормалізація кольорів (переміщення зображень у загальний колірний простір), багатоцентрові навчальні дані та, що найважливіше, зовнішня перевірка в кожній лабораторії, яка буде використовуватися.
Три міні-кейси: у цифрах
Випадок 1 — Постійність мітотичного числа. Мітотичний підрахунок у класифікації раку молочної залози є важливим, але трудомістким і варіюється від спостерігача до спостерігача. Попередній підрахунок за допомогою штучного інтелекту в одній лабораторії, згода (каппа) між двома патологами зросла з 0,55 до 0,71, а час підрахунку на предметне скло зменшився з 4 хвилин до 1,5 хвилин. Однак кожен остаточний підрахунок підтверджував патологоанатом; Модель підказала, патологоанатом вирішив.
Випадок 2 — Попадання зсуву поля. У лабораторії, яка розробила модель сегментації пухлини, вона працювала правильно 93% часу. Та сама модель систематично завищувала площу пухлини на 20% у лабораторії-партнері за допомогою іншого сканера та барвника. Після нормалізації кольору та повторної перевірки за допомогою 200 слайдів із цієї лабораторії різниця зменшилася до прийнятного рівня.
Випадок 3 — Помилка вибірки. Одна модель сказала «ні» пухлини на слайді; однак модель оцінювала лише відскановану ділянку, а пухлина була в ділянці без зразків. Діагностика патології така ж хороша, як відбір слайдів і взяття зразків; «Негативний» вихід AI не компенсує недостатню вибірку. Ось чому сам по собі негативний результат штучного інтелекту ніколи не означає «відсутності захворювання».
Слабка підказка / Сильна підказка
Примітка. Наступні підказки призначені для налаштування звіту про патологію та тексту робочого процесу; Діагностика зображення тканин – це робота перевіреного програмного забезпечення та патологів.
Слабка підказка:
Згідно з цим звітом патології, чи є рак? [доповідь]
Потужна підказка:
Ваша роль: Ви асистент зі структурування звіту про патологію (ВИ НЕ ДІАГНОЗ). Структуруйте наступний анонімний звіт про патологію: - Введіть тип зразка, фарбування, тип/ступінь пухлини, хірургічний край, маркери. - Не змінюйте неоднозначне формулювання («нетипова, рекомендована клінічна кореляція»). - Не додавайте знахідок, яких немає в тексті; напишіть «невизначено» у відсутньому полі.- Нарешті, перелічіть 3 пункти, які повинен підтвердити патологоанатом. Анонімний звіт: [текст]
Чотири шаблони, які можна копіювати
1) Стандартизація звіту:
Розмістіть наступний анонімний звіт про патологію в структурованих полях (орган, діагноз, ступінь, маржа, відсоткове співвідношення маркерів). Дотримуйтесь тексту. Звіт: [текст]
2) Перевірка узгодженості маркера:
Перелічіть усі процентні та цифрові маркери (Ki-67, ER, PR, HER2), згадані в цьому звіті; Позначте значення, які суперечать один одному або діагнозу. Звіт: [текст]
3) План перевірки моделі (цифрова патологія):
Напишіть проект плану валідації для моделі сегментації WSI: нормалізація кольору, багатоцентрова зовнішня валідація, згода патолога (каппа), тестування зміщення поля. Позначте окремо точки перевірки патологоанатома.
4) Додавання попередження про вибірку:
До наступного негативного результату штучного інтелекту додайте застереження, що «відбір зразків може бути обмеженим, негативний результат не виключає захворювання» та вимогу підтвердження патологоанатома. Вихід: [текст]
Роль моделі: За типом завдання
Тип завдання
внесок ШІ
критичність
перевірка
Сегментація ділянки пухлини
висока
висока
Патологоанатом + зовнішній огляд
Мітоз/кількість клітин
висока
висока
Підтвердження патологоанатома
Відсоток маркера (Ki-67)
висока
середній
Еталонне порівняння
Контроль якості (фокус/дефект)
висока
низький
вибіркова перевірка
Конфігурація звіту (текст)
висока
низький
Підтвердження патологоанатома
Порада. Оцінюючи пропозицію моделі в цифровій патології, завжди запитуйте: «На фарбниках і сканерах яких лабораторій навчалася ця модель і чи була вона перевірена в моїй лабораторії?» Якщо відповідь «ні», показники ефективності вас ще не стосуються.
Застереження: те, що штучний інтелект каже «немає пухлини», не означає, що в тканині без зразків пухлини немає. Негативний результат при патології обмежений якістю забору; шаблон не може перевищувати цю межу, і негативний результат не є гарантією діагностики.
Поширені помилки
- Недооцінка мінливості кольору/барвника. Дрейф поля є найпоширенішою причиною збою при патології пальців.
- Навчайтеся в одному центрі та використовуйте всюди. Різні браузери та кольори призводять до тихого зниження продуктивності.
- Приймаючи негативний результат за впевненість. Ліміт вибірки не може бути компенсований моделлю.
- Ігнорування мінливості між спостерігачами. Модель повинна бути оцінена відповідним чином, якщо еталонний стандарт сам по собі є змінним.
- Усунення патологоанатома. Підрахунок і сегментація є підтримкою; Діагностика та оцінка відпочивають з патологоанатомом.
Підсумовуючи
- Цифрова патологія аналізує гігапіксельні зображення WSI, розділяючи їх на тайли; AI підтримує підрахунок клітин і сегментацію.
- Найбільшою технічною пасткою є дрейф поля через мінливість фарбування/сканування; нормалізація кольорів і зовнішня перевірка є важливими.
- Негативний результат штучного інтелекту обмежений межею вибірки та не забезпечує діагностичної впевненості.
- Еталонний стандарт і мінливість між спостерігачами є контекстом для оцінки моделі.
- Діагностика, визначення стадії та класифікація є відповідальністю патологоанатома; ШІ не діагностує.
Аплікаційне завдання
Виберіть гіпотетичну цифрову модель патології (наприклад, обчислення відсотка Ki-67). Напишіть план зовнішньої валідації для цієї моделі: скільки слайдів із яких лабораторій, яка нормалізація кольору, як ви будете вимірювати згоду патологоанатома та як ви перевірятимете дрейф поля. Потім напишіть одним реченням попередження про обмеження, яке слід додати до негативного/позитивного результату моделі.
контрольний список
- [ ] Я знаю кроки сканування, розміщення на плитках, аналізу та композиції робочого процесу WSI.
- [ ] Я розумію, як змінність фарби/сканування спричиняє дрейф поля та як цим керувати.
- [ ] Я розумію, що негативний результат штучного інтелекту обмежений обмеженням вибірки.
- [ ] Я можу використовувати поняття зовнішньої перевірки та згоди патолога (каппа).
- [ ] Я зрозумів, що діагноз і рішення про класифікацію залишається за патологом.