فائدہ:
- مکمل سلائیڈ امیج (WSI) ورک فلو میں سیل گنتی، سیگمنٹیشن، اور گریڈنگ کے لیے AI کے تعاون کی وضاحت کرنے کی صلاحیت
- ماڈل کی کارکردگی اور ڈومین شفٹ پر پینٹنگ اور اسکیننگ کی تبدیلی کے اثر کو پہچاننے کی صلاحیت
- حوالہ معیار، نمونے لینے اور پیتھالوجسٹ کی منظوری کے ساتھ پیتھالوجی AI آؤٹ پٹس کی توثیق کرنے کی صلاحیت
پیتھالوجی طب کی وہ شاخ ہے جس میں ایک خوردبین کے نیچے ٹشو کے نمونے کی جانچ کرکے بیماری کی نشاندہی کی جاتی ہے۔ کینسر کی بہت سی تشخیصوں کا "گولڈ اسٹینڈرڈ" یہاں بنایا گیا ہے۔ ڈیجیٹل پیتھالوجی ہائی ریزولوشن اسکینر کے ساتھ شیشے کی سلائیڈ پر داغ دار ٹشو سیکشن کی ڈیجیٹائزیشن ہے۔ نتیجے میں آنے والی فائل کو پوری سلائیڈ امیج کہا جاتا ہے (مختصر کے لیے WSI)؛ ایک سلائیڈ گیگا پکسل سائز کی ایک بڑی تصویر ہو سکتی ہے، یعنی اربوں پکسلز۔ مصنوعی ذہانت ان بڑی تصاویر میں سیل کی گنتی، علاقے کی تقسیم اور درجہ بندی کی حمایت کرتی ہے۔ اس یونٹ میں ہم WSI ورک فلو کو دیکھیں گے، جو اس کا سب سے بڑا تکنیکی نقصان ہے: سٹیننگ/سکیننگ تغیر، اور پیتھالوجسٹ کی منظوری کیوں ضروری ہے۔
آئیے شروع سے بتاتے ہیں: مصنوعی ذہانت ایک کاؤنٹر، ایک ابتدائی سکینر اور پیتھالوجی میں دوسری آنکھ ہو سکتی ہے۔ لیکن کینسر کی تشخیص، اسٹیجنگ اور درجہ بندی کے فیصلے پیتھالوجسٹ کے ہیں۔ ماڈل تشخیص نہیں کرتا ہے۔
WSI ورک فلو کے مراحل
مرحلہ 1 - اسکریننگ اور کوالٹی کنٹرول۔ شیشے کی سلائیڈ کو اسکین کیا گیا ہے۔ ڈیفوکس، فولڈ مارکس، اور ہوا کے بلبلوں جیسے نقائص کا خود بخود پتہ لگایا جا سکتا ہے۔ ناقص معیار کے اسکینوں کو ماڈل میں داخل نہیں ہونا چاہیے۔
مرحلہ 2 - ٹائل (پیچ) کو ہٹانا۔ گیگا پکسل کی تصویر پر براہ راست کارروائی نہیں کی جا سکتی ہے۔ چھوٹے مربعوں میں تقسیم کیا جاتا ہے (انگریزی پیچ، عام طور پر 256x256 یا 512x512 پکسلز)۔ ماڈل ہر ٹائل کا الگ الگ جائزہ لیتا ہے، پھر نتائج کو یکجا کیا جاتا ہے۔
مرحلہ 3 - ٹشو/خلیہ کا تجزیہ۔ ماڈل؛ یہ ٹیومر سائٹ سیگمنٹیشن، مائٹوسس (تقسیم سیل) کی گنتی، جوہری کثافت یا مارکر کا حساب (مثلاً Ki-67 سٹیننگ ریٹ) جیسے کام انجام دیتا ہے۔ آؤٹ پٹ ایک عددی پیمائش یا حرارت کا نقشہ ہے۔
مرحلہ 4 — یکجہتی اور رپورٹنگ۔ ٹائل کے نتائج سلائیڈ کی سطح پر یکجا کیے جاتے ہیں۔ ایک خلاصہ تیار کیا جاتا ہے، مثال کے طور پر، "ٹیومر کے علاقے کا فیصد" یا "mitotic شمار"۔
مرحلہ 5 - پیتھالوجسٹ کی تشخیص۔ پیتھالوجسٹ ماڈل کے ذریعہ نشان زد علاقوں اور شماروں کا معائنہ کرتا ہے۔ قبول کرتا ہے، درست کرتا ہے یا مسترد کرتا ہے۔ تشخیص اور درجہ بندی پیتھالوجسٹ پر منحصر ہے۔
سب سے بڑا نقصان: رنگنے اور اسکین کرنے کی تغیر
ٹشو سیکشنز عام طور پر H&E (hematoxylin اور eosin؛ معیاری رنگ جو نیوکلی بلیو وائلٹ اور cytoplasm گلابی پر داغ دار ہوتے ہیں) سے داغے ہوتے ہیں۔ لیکن داغ کی شدت لیبارٹری، داغ بیچ، سیکشن کی موٹائی، اور سکینر برانڈ کے لحاظ سے واضح طور پر مختلف ہوتی ہے۔ انسانی آنکھ ان اختلافات کو آسانی سے ڈھال لیتی ہے۔ ہو سکتا ہے کہ ماڈل ہم آہنگ نہ ہو۔
اگر کسی ماڈل نے لیب A کے گلابی-جامنی ٹونز کی بنیاد پر سیکھا ہے، تو اس کی کارکردگی لیب B کے ہلکے یا گہرے داغ پر کم ہو جائے گی۔ اس رجحان کو ڈومین شفٹ کہا جاتا ہے اور یہ ڈیجیٹل پیتھالوجی میں ناکامی کی سب سے عام وجہ ہے۔ حل کے طریقے: رنگ نارملائزیشن (تصاویر کو ایک عام رنگ کی جگہ میں منتقل کرنا)، ملٹی سینٹر ٹریننگ ڈیٹا، اور - سب سے اہم بات - ہر لیبارٹری میں استعمال کی جانے والی بیرونی توثیق۔
تین چھوٹے کیسز: نمبرز کے حساب سے
کیس 1 - مائٹوٹک شمار میں مستقل مزاجی۔ چھاتی کے کینسر کی درجہ بندی میں مائٹوٹک گنتی اہم ہے لیکن مبصر سے مبصر تک متغیر اور محنت طلب ہے۔ ایک لیبارٹری میں AI کی مدد سے ابتدائی گنتی، دو پیتھالوجسٹ کے درمیان معاہدہ (کپا) 0.55 سے بڑھ کر 0.71 ہو گیا، اور فی سلائیڈ گنتی کا وقت 4 منٹ سے کم ہو کر 1.5 منٹ ہو گیا۔ تاہم، ہر حتمی گنتی کی تصدیق پیتھالوجسٹ نے کی تھی۔ ماڈل نے تجویز کیا، پیتھالوجسٹ نے فیصلہ کیا۔
کیس 2 - فیلڈ شفٹ ہٹ۔ لیبارٹری میں جس نے ٹیومر سیگمنٹیشن ماڈل تیار کیا، یہ 93 فیصد وقت صحیح طریقے سے کام کر رہا تھا۔ اسی ماڈل نے ایک مختلف اسکینر اور ڈائی کا استعمال کرتے ہوئے پارٹنر لیبارٹری میں ٹیومر کے علاقے کو منظم طریقے سے 20 فیصد تک بڑھایا۔ اس لیبارٹری سے 200 سلائیڈوں کے ساتھ رنگ کو معمول پر لانے اور دوبارہ درست کرنے کے بعد، فرق قابل قبول سطح تک کم ہو گیا۔
کیس 3 - نمونے لینے کی غلطی۔ ایک ماڈل نے سلائیڈ پر ٹیومر کو "نہیں" کہا۔ تاہم، ماڈل نے صرف اسکین شدہ جگہ کا جائزہ لیا اور ٹیومر ایک غیر نمونہ والے حصے میں تھا۔ پیتھالوجی کی تشخیص اتنا ہی اچھا ہے جتنا سلائیڈ کا انتخاب اور نمونے لینے۔ AI "منفی" آؤٹ پٹ انڈر سیمپلنگ کی تلافی نہیں کرتا ہے۔ یہی وجہ ہے کہ اکیلے منفی AI نتیجہ کا مطلب کبھی بھی "کوئی بیماری نہیں" ہوتا ہے۔
کمزور پرامپٹ / مضبوط اشارہ
نوٹ: مندرجہ ذیل اشارے پیتھالوجی رپورٹ اور ورک فلو ٹیکسٹ کو ترتیب دینے کے لیے ہیں۔ ٹشو امیج کی تشخیص تصدیق شدہ سافٹ ویئر اور پیتھالوجسٹ کا کام ہے۔
کمزور اشارہ:
اس پیتھالوجی رپورٹ کے مطابق کیا کینسر ہے؟ [رپورٹ]
طاقتور اشارہ:
آپ کا کردار: آپ پیتھالوجی رپورٹ سٹرکچرنگ اسسٹنٹ ہیں (آپ تشخیص نہیں کر رہے ہیں)۔ مندرجہ ذیل گمنام پیتھالوجی رپورٹ کی تشکیل کریں:- نمونہ کی قسم، داغ، ٹیومر کی قسم/گریڈ، جراحی مارجن، مارکر۔- مبہم الفاظ کو برقرار رکھیں۔ گمشدہ فیلڈ میں "غیر متعینہ" لکھیں۔- آخر میں، 3 نکات درج کریں جن کی پیتھالوجسٹ کو تصدیق کرنی چاہیے۔ گمنام رپورٹ:[text]
چار کاپی ایبل ٹیمپلیٹس
1) رپورٹ معیاری کاری:
مندرجہ ذیل گمنام پیتھالوجی رپورٹ کو سٹرکچرڈ فیلڈز (اعضاء، تشخیص، درجہ، مارجن، مارکر فیصد) میں پلاٹ کریں۔ متن پر قائم رہیں۔ رپورٹ: [متن]
2) ٹوکن کی مطابقت کی جانچ:
اس رپورٹ میں مذکور تمام فیصد اور عددی نشانات (Ki-67, ER, PR, HER2) کی فہرست بنائیں۔ ان اقدار کو نشان زد کریں جو ایک دوسرے کے ساتھ یا تشخیص کے ساتھ متصادم ہوں۔ رپورٹ: [متن]
3) ماڈل کی توثیق کا منصوبہ (ڈیجیٹل پیتھالوجی):
WSI سیگمنٹیشن ماڈل کے لیے ایک مسودہ توثیق کا منصوبہ لکھیں: کلر نارملائزیشن، ملٹی سینٹر ایکسٹرنل توثیق، پیتھالوجسٹ ایگریمنٹ (کپا)، فیلڈ شفٹ ٹیسٹنگ۔ پیتھالوجسٹ کی توثیق پوائنٹس کو الگ سے نشان زد کریں۔
4) نمونے لینے کی وارننگ شامل کرنا:
مندرجہ ذیل منفی AI نتیجے میں یہ انتباہ شامل کریں کہ "سیمپلنگ محدود ہو سکتی ہے، منفی نتیجہ بیماری کو خارج نہیں کرتا" اور پیتھالوجسٹ کی تصدیق کی ضرورت۔ آؤٹ پٹ: [متن]
ماڈل کا کردار: ٹاسک کی قسم کے لحاظ سے
کام کی قسم
AI کی شراکت
تنقید
تصدیق
ٹیومر کے علاقے کی تقسیم
اعلی
اعلی
پیتھالوجسٹ + بیرونی تصدیق
مائٹوسس/سیل شمار
اعلی
اعلی
پیتھالوجسٹ کی تصدیق
مارکر کا فیصد (Ki-67)
اعلی
درمیانہ
حوالہ موازنہ
کوالٹی کنٹرول (فوکس/عیب)
اعلی
کم
اسپاٹ چیک
رپورٹ کنفیگریشن (متن)
اعلی
کم
پیتھالوجسٹ کی تصدیق
مشورہ: ڈیجیٹل پیتھالوجی میں کسی ماڈل کی تجویز کا جائزہ لیتے وقت، ہمیشہ پوچھیں: "اس ماڈل کو کن لیبارٹریوں کے داغوں اور اسکینرز پر تربیت دی گئی ہے، اور کیا میری لیبارٹری میں اس کی توثیق ہوئی ہے؟" اگر جواب "نہیں" ہے، تو کارکردگی کے اعداد و شمار ابھی تک آپ پر لاگو نہیں ہوتے ہیں۔
احتیاط: صرف اس وجہ سے کہ AI کہتا ہے "کوئی ٹیومر نہیں" کا مطلب یہ نہیں ہے کہ نمونے کے بغیر ٹشو میں کوئی ٹیومر نہیں ہے۔ پیتھالوجی میں منفی نتیجہ نمونے لینے کے معیار سے محدود ہے۔ پیٹرن اس حد سے زیادہ نہیں ہو سکتا اور منفی نتیجہ تشخیصی یقین دہانی نہیں ہے۔
عام غلطیاں
- رنگ/رنگ کی تغیر کو کم سمجھنا۔ فیلڈ ڈرفٹ ڈیجیٹل پیتھالوجی میں ناکامی کی سب سے عام وجہ ہے۔
- ایک مرکز میں ٹرین کریں اور ہر جگہ استعمال کریں۔ مختلف براؤزر اور رنگ سازی خاموش کارکردگی میں کمی پیدا کرتی ہے۔
- یقین دہانی کے لیے منفی نتیجہ کو غلط سمجھنا۔ نمونے لینے کی حد کو ماڈل کے ذریعہ معاوضہ نہیں دیا جاسکتا۔
- انٹر آبزرور کی تغیر کو نظر انداز کرنا۔ اگر حوالہ معیار خود متغیر ہے تو ماڈل کا اسی کے مطابق جائزہ لیا جانا چاہئے۔
- پیتھالوجسٹ کو ختم کرنا۔ گنتی اور انقطاع معاون ہے۔ پیتھالوجسٹ کے ساتھ تشخیص اور درجہ بندی کا آرام۔
خلاصہ میں
- ڈیجیٹل پیتھالوجی گیگا پکسل WSI امیجز کو ٹائلوں میں تقسیم کرکے تجزیہ کرتی ہے۔ AI سیل گنتی اور سیگمنٹیشن کے ساتھ سپورٹ کرتا ہے۔
- سب سے بڑا ٹیکنیکل ٹریپ سٹیننگ/ سکیننگ تغیر کی وجہ سے فیلڈ ڈرفٹ ہے۔ رنگ نارملائزیشن اور بیرونی توثیق ضروری ہے۔
- منفی AI نتیجہ نمونے لینے کی حد تک محدود ہے اور تشخیصی یقین دہانی فراہم نہیں کرتا ہے۔
- حوالہ معیار اور انٹر آبزرور تغیرات ماڈل کی تشخیص کے لیے سیاق و سباق ہیں۔
- تشخیص، اسٹیجنگ، اور درجہ بندی پیتھالوجسٹ کی ذمہ داری ہے۔ AI تشخیص نہیں کرتا ہے۔
درخواست کا کام
فرضی ڈیجیٹل پیتھالوجی ماڈل منتخب کریں (جیسے Ki-67 فیصدی حساب کتاب)۔ اس ماڈل کے لیے ایک بیرونی توثیق کا منصوبہ لکھیں: کن لیبز سے کتنی سلائیڈیں، کون سا رنگ نارملائزیشن، آپ پیتھالوجسٹ کے معاہدے کی پیمائش کیسے کریں گے، اور آپ فیلڈ ڈرفٹ کی جانچ کیسے کریں گے۔ پھر ایک جملے میں رکاوٹ کی وارننگ لکھیں جو ماڈل کے منفی/مثبت آؤٹ پٹ میں شامل کی جانی چاہیے۔
چیک لسٹ
- میں WSI ورک فلو کی سکیننگ، ٹائلنگ، تجزیہ اور کمپوزٹنگ کے مراحل کو جانتا ہوں۔
- [ ] میں سمجھتا ہوں کہ پینٹ/ اسکین کی تبدیلی کس طرح فیلڈ ڈرفٹ کا سبب بنتی ہے اور اس کا انتظام کیسے کیا جاتا ہے۔
- [ ] میں سمجھتا ہوں کہ منفی AI نتیجہ نمونے لینے کی حد سے محدود ہے۔
- میں بیرونی توثیق اور پیتھالوجسٹ معاہدے (کپا) کے تصورات استعمال کر سکتا ہوں۔
- [ ] میں نے اندرونی طور پر سمجھ لیا ہے کہ تشخیص اور درجہ بندی کا فیصلہ پیتھالوجسٹ کے پاس رہتا ہے۔