Lợi nhuận:
- Khả năng giải thích sự hỗ trợ của AI đối với việc đếm, phân đoạn và phân loại ô trong toàn bộ quy trình làm việc của hình ảnh trang chiếu (WSI)
- Khả năng nhận biết tác động của sự biến đổi của việc vẽ và quét đối với hiệu suất mô hình và chuyển đổi miền
- Khả năng xác nhận kết quả đầu ra AI bệnh lý với tiêu chuẩn tham chiếu, lấy mẫu và phê duyệt của nhà nghiên cứu bệnh học
Bệnh học là một nhánh của y học trong đó bệnh được xác định bằng cách kiểm tra mẫu mô dưới kính hiển vi; “Tiêu chuẩn vàng” của nhiều chẩn đoán ung thư được thực hiện tại đây. Bệnh lý kỹ thuật số là số hóa phần mô nhuộm màu trên phiến kính bằng máy quét có độ phân giải cao. Tệp kết quả được gọi là toàn bộ hình ảnh slide (viết tắt là WSI); Một slide có thể là một hình ảnh khổng lồ có kích thước gigapixel, tức là hàng tỷ pixel. Trí tuệ nhân tạo hỗ trợ việc đếm tế bào, phân chia vùng và phân loại trong những hình ảnh khổng lồ này. Trong phần này, chúng ta sẽ thấy quy trình làm việc của WSI, cạm bẫy kỹ thuật lớn nhất của nó: tính biến đổi của quá trình nhuộm/quét và tại sao cần phải có sự chấp thuận của nhà nghiên cứu bệnh học.
Hãy nêu rõ ngay từ đầu: trí tuệ nhân tạo có thể là máy đếm, máy quét sơ bộ và con mắt thứ hai trong bệnh lý học; Nhưng các quyết định về chẩn đoán, phân giai đoạn và phân loại ung thư đều thuộc về nhà nghiên cứu bệnh học. Mô hình không chẩn đoán.
Các bước của quy trình làm việc WSI
Bước 1 - Sàng lọc và kiểm soát chất lượng. Bản kính được quét; Các khuyết tật như mất nét, vết gấp và bọt khí có thể được phát hiện tự động. Bản quét chất lượng kém hoàn toàn không được đưa vào mô hình.
Bước 2 - Loại bỏ ô (bản vá). Hình ảnh Gigapixel không thể được xử lý trực tiếp; được chia thành các ô vuông nhỏ (bản vá tiếng Anh, thường có kích thước 256x256 hoặc 512x512 pixel). Mô hình đánh giá từng ô riêng biệt, sau đó kết quả được kết hợp.
Bước 3 - Phân tích mô/tế bào. Người mẫu; Nó thực hiện các nhiệm vụ như phân đoạn vị trí khối u, đếm nguyên phân (tế bào phân chia), mật độ hạt nhân hoặc tính toán điểm đánh dấu (ví dụ: tốc độ nhuộm Ki-67). Đầu ra là một phép đo số hoặc bản đồ nhiệt.
Bước 4 - Tổng hợp và báo cáo. Kết quả ô xếp được kết hợp ở cấp độ trượt; Một bản tóm tắt được tạo ra, ví dụ: "phần trăm diện tích khối u" hoặc "số lượng phân bào".
Bước 5 - Đánh giá của nhà nghiên cứu bệnh học. Nhà nghiên cứu bệnh học sẽ kiểm tra các vùng và số lượng được đánh dấu bằng mô hình; chấp nhận, sửa chữa hoặc từ chối. Việc chẩn đoán và phân loại tùy thuộc vào bác sĩ giải phẫu bệnh.
Cạm bẫy lớn nhất: Sự biến đổi của quá trình nhuộm và quét
Các phần mô thường được nhuộm bằng H&E (hematoxylin và eosin; thuốc nhuộm tiêu chuẩn nhuộm nhân màu xanh tím và tế bào chất màu hồng). Nhưng cường độ nhuộm màu thay đổi rõ rệt tùy theo phòng thí nghiệm, lô vết bẩn, độ dày mặt cắt và nhãn hiệu máy quét. Mắt người dễ dàng thích nghi với những khác biệt này; Mô hình có thể không tương thích.
Nếu một mô hình đã học dựa trên tông màu hồng tím của phòng thí nghiệm A, hiệu suất của nó sẽ giảm khi nhuộm màu nhạt hơn hoặc đậm hơn ở phòng thí nghiệm B. Hiện tượng này được gọi là dịch chuyển miền và là nguyên nhân thất bại phổ biến nhất trong bệnh lý kỹ thuật số. Các phương pháp tiếp cận giải pháp: chuẩn hóa màu sắc (chuyển hình ảnh vào một không gian màu chung), dữ liệu đào tạo đa trung tâm và - quan trọng nhất - xác nhận bên ngoài tại mỗi phòng thí nghiệm sẽ được sử dụng.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Sự nhất quán về số lượng phân bào. Việc đếm phân bào trong phân loại ung thư vú là quan trọng nhưng tốn nhiều công sức và có thể thay đổi tùy theo người quan sát. Việc đếm sơ bộ được AI hỗ trợ trong một phòng thí nghiệm, sự đồng thuận (kappa) giữa hai nhà nghiên cứu bệnh học đã tăng từ 0,55 lên 0,71 và thời gian đếm trên mỗi slide giảm từ 4 phút xuống 1,5 phút. Tuy nhiên, mỗi lần đếm cuối cùng đều được nhà nghiên cứu bệnh học xác nhận; Mô hình gợi ý, nhà nghiên cứu bệnh học quyết định.
Trường hợp 2 - Lượt chuyển trường. Trong phòng thí nghiệm phát triển mô hình phân chia khối u, nó hoạt động chính xác tới 93%. Mô hình tương tự đã đánh giá quá cao diện tích khối u thêm 20% một cách có hệ thống trong phòng thí nghiệm đối tác bằng cách sử dụng máy quét và thuốc nhuộm khác. Sau khi chuẩn hóa và xác nhận lại màu sắc với 200 slide từ phòng thí nghiệm đó, sự khác biệt đã giảm xuống mức chấp nhận được.
Trường hợp 3 - Sai lầm lấy mẫu. Một người mẫu nói "không" khối u trên một slide; tuy nhiên, mô hình chỉ đánh giá vùng được quét và khối u nằm trong phần không được lấy mẫu. Chẩn đoán bệnh lý cũng tốt như việc lựa chọn và lấy mẫu slide; Đầu ra "âm" AI không bù cho việc lấy mẫu dưới mức. Đó là lý do tại sao chỉ một kết quả AI âm tính không bao giờ có nghĩa là "không có bệnh".
Nhắc yếu / Nhắc mạnh
Lưu ý: Các lời nhắc sau đây dùng để định cấu hình văn bản báo cáo bệnh lý và quy trình làm việc; Chẩn đoán hình ảnh mô là công việc của phần mềm đã được xác minh và các nhà nghiên cứu bệnh học.
Dấu nhắc yếu:
Theo báo cáo bệnh lý này, có ung thư không? [báo cáo]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Bạn là trợ lý cấu trúc báo cáo bệnh lý (BẠN KHÔNG CHẨN ĐOÁN). Cấu trúc báo cáo bệnh lý ẩn danh sau đây: - Lập bảng loại mẫu, nhuộm màu, loại/cấp độ khối u, bờ phẫu thuật, dấu hiệu. - Giữ nguyên từ ngữ mơ hồ ("không điển hình, khuyến nghị tương quan lâm sàng"). - Không thêm phát hiện nào không có trong văn bản; viết “không xác định” vào trường còn thiếu.- Cuối cùng, liệt kê 3 điểm mà nhà nghiên cứu bệnh học cần xác nhận. Báo cáo ẩn danh:[text]
Bốn mẫu có thể sao chép
1) Chuẩn hóa báo cáo:
Vẽ báo cáo bệnh lý ẩn danh sau đây vào các trường có cấu trúc (cơ quan, chẩn đoán, cấp độ, lề, tỷ lệ phần trăm điểm đánh dấu). Bám sát văn bản. Báo cáo: [văn bản]
2) Kiểm tra tính nhất quán của mã thông báo:
Liệt kê tất cả các dấu phần trăm và số (Ki-67, ER, PR, HER2) được đề cập trong báo cáo này; Đánh dấu các giá trị xung đột với nhau hoặc với chẩn đoán. Báo cáo: [văn bản]
3) Kế hoạch xác nhận mô hình (bệnh lý kỹ thuật số):
Viết kế hoạch xác thực dự thảo cho mô hình phân đoạn WSI: chuẩn hóa màu sắc, xác thực bên ngoài đa trung tâm, thỏa thuận với nhà nghiên cứu bệnh học (kappa), thử nghiệm dịch chuyển trường. Đánh dấu các điểm xác nhận của nhà nghiên cứu bệnh học một cách riêng biệt.
4) Thêm cảnh báo lấy mẫu:
Thêm vào kết quả AI âm tính sau đây là lời cảnh báo rằng "việc lấy mẫu có thể bị hạn chế, kết quả âm tính không loại trừ bệnh" và yêu cầu xác nhận của nhà nghiên cứu bệnh học. Đầu ra: [văn bản]
Vai trò của người mẫu: Theo loại nhiệm vụ
Loại nhiệm vụ
Đóng góp của AI
sự quan trọng
xác minh
Phân chia vùng khối u
cao
cao
Nhà nghiên cứu bệnh học + xác minh bên ngoài
Nguyên phân/số lượng tế bào
cao
cao
Xác nhận của nhà nghiên cứu bệnh học
Tỷ lệ điểm đánh dấu (Ki-67)
cao
trung bình
So sánh tham khảo
Kiểm soát chất lượng (tập trung/khiếm khuyết)
cao
thấp
kiểm tra tại chỗ
Cấu hình báo cáo (văn bản)
cao
thấp
Xác nhận của nhà nghiên cứu bệnh học
Mẹo: Khi đánh giá một đề xuất mô hình trong bệnh lý kỹ thuật số, hãy luôn hỏi: "Mô hình này đã được đào tạo về máy quét và vết bẩn của phòng thí nghiệm nào và nó đã được xác nhận trong phòng thí nghiệm của tôi chưa?" Nếu câu trả lời là "không", số liệu hiệu suất chưa áp dụng cho bạn.
Thận trọng: Chỉ vì AI nói "không có khối u" không có nghĩa là không có khối u trong mô chưa được lấy mẫu. Kết quả âm tính về bệnh lý bị hạn chế bởi chất lượng lấy mẫu; mẫu không thể vượt quá giới hạn này và kết quả âm tính không phải là sự đảm bảo cho chẩn đoán.
Những lỗi thường gặp
- Đánh giá thấp sự biến đổi màu sắc/thuốc nhuộm. Trôi trường là nguyên nhân phổ biến nhất gây ra thất bại trong bệnh lý kỹ thuật số.
- Đào tạo tại một trung tâm và sử dụng ở mọi nơi. Trình duyệt và màu sắc khác nhau tạo ra sự suy giảm hiệu suất một cách thầm lặng.
- Nhầm lẫn một kết quả tiêu cực với sự đảm bảo. Giới hạn lấy mẫu không thể được bù bằng mô hình.
- Bỏ qua sự thay đổi của interobserver. Mô hình nên được đánh giá phù hợp nếu bản thân tiêu chuẩn tham chiếu có thể thay đổi.
- Loại bỏ nhà nghiên cứu bệnh học. Đếm và phân đoạn là hỗ trợ; Chẩn đoán và phân loại phần còn lại với bác sĩ giải phẫu bệnh.
Tóm lại
- Bệnh lý kỹ thuật số phân tích hình ảnh WSI gigapixel bằng cách chia chúng thành các ô; AI hỗ trợ đếm và phân chia tế bào.
- Bẫy kỹ thuật lớn nhất là sự trôi dạt trên hiện trường do tính biến đổi của quá trình nhuộm/quét; chuẩn hóa màu sắc và xác nhận bên ngoài là cần thiết.
- Kết quả AI âm tính bị giới hạn bởi giới hạn lấy mẫu và không mang lại sự đảm bảo về chẩn đoán.
- Tiêu chuẩn tham chiếu và tính biến thiên của máy chủ liên quan là bối cảnh để đánh giá mô hình.
- Chẩn đoán, phân giai đoạn và phân loại là trách nhiệm của nhà nghiên cứu bệnh học; AI không chẩn đoán.
Nhiệm vụ ứng dụng
Chọn mô hình bệnh lý kỹ thuật số giả định (ví dụ: tính toán phần trăm Ki-67). Viết kế hoạch xác nhận bên ngoài cho mô hình này: có bao nhiêu slide từ phòng thí nghiệm nào, chuẩn hóa màu gì, cách bạn sẽ đo lường sự đồng tình của nhà nghiên cứu bệnh học và cách bạn sẽ kiểm tra độ lệch trường. Sau đó viết trong một câu cảnh báo ràng buộc cần được thêm vào đầu ra âm/tích cực của mô hình.
danh sách kiểm tra
- [ ] Tôi biết các bước quét, sắp xếp, phân tích và tổng hợp của quy trình làm việc WSI.
- [ ] Tôi hiểu sự biến đổi của sơn/quét gây ra hiện tượng lệch trường như thế nào và cách quản lý nó.
- [ ] Tôi hiểu rằng kết quả AI âm tính bị giới hạn bởi giới hạn lấy mẫu.
- [ ] Tôi có thể sử dụng các khái niệm về xác nhận bên ngoài và thỏa thuận của nhà nghiên cứu bệnh học (kappa).
- [ ] Tôi đã hiểu rằng quyết định chẩn đoán và phân loại vẫn thuộc về nhà nghiên cứu bệnh học.