Lợi nhuận:
- Hiểu cách hoạt động của quá trình phân loại trước hình ảnh được hỗ trợ bởi AI (phết tế bào ngoại vi, cặn nước tiểu, khuẩn lạc) và tốc độ của nó
- Khả năng chỉ sử dụng tính năng phân loại trước bằng AI để sàng lọc và để chuyên gia xác minh chẩn đoán các tế bào/vi sinh vật bất thường và quan trọng
- Khả năng nhận biết các giới hạn của mô hình hình ảnh (tế bào hiếm, hiện vật, chất lượng nhuộm màu, sự thay đổi phân bố) và quản lý nguy cơ âm tính giả
Kính hiển vi là công cụ lâu đời nhất nhưng vẫn mạnh mẽ nhất của phòng thí nghiệm y tế. Hình dạng của tế bào trong phết máu, tinh thể trong cặn nước tiểu, màu sắc và sự sắp xếp của vi khuẩn trong vết Gram—tất cả đều là những hình mẫu mà một con mắt được huấn luyện có thể đọc được trong vài giây nhưng cần nhiều năm kinh nghiệm để bắt đầu. Trong những năm gần đây, phân tích hình ảnh được hỗ trợ bởi AI đã bước vào thế giới vi mô này: nó tự động phân loại trước các chế phẩm được quét kỹ thuật số, loại bỏ những chế phẩm có vẻ bình thường và hướng sự chú ý của chuyên gia đến những khu vực thực sự cần kiểm tra. Đây là một mức tăng tốc độ rất lớn - nhưng nó cũng là một trong những lĩnh vực cần phải vạch ra ranh giới cẩn thận nhất, bởi vì âm tính giả (thiếu một bất thường thực sự) có nghĩa là bỏ sót chẩn đoán trực tiếp.
Cách hoạt động của tính năng phân loại trước hình ảnh được AI hỗ trợ trong đơn vị này; phết tế bào ngoại vi, cặn nước tiểu và cách sử dụng nó trong vi sinh; và chúng tôi sẽ đề cập đến các ranh giới của mô hình (ô hiếm, tạo tác, chất lượng nhuộm màu, sự thay đổi phân phối). Nguyên tắc cơ bản: Phân loại trước AI là sàng lọc chứ không phải chẩn đoán; Chẩn đoán và phê duyệt cuối cùng các phát hiện bất thường và quan trọng thuộc về chuyên gia.
Cách phân loại trước hình ảnh hoạt động
Các mô hình hình ảnh AI học cách phân loại một ô hoặc cấu trúc bằng cách đào tạo trên số lượng lớn các ví dụ được gắn nhãn. Trong máy phân tích huyết học kỹ thuật số, thiết bị sẽ quét phết máu, chụp từng tế bào và đặt từng tế bào vào một lớp (bạch cầu trung tính, tế bào lympho, bạch cầu đơn nhân, bạch cầu ái toan, bạch cầu ái kiềm, v.v.). Chuyên gia được trình bày các ô được phân loại trước dưới dạng thư viện; Chuyên gia xác nhận, sửa chữa hoặc phân loại lại. Tương tự, máy phân tích cặn nước tiểu phát hiện hồng cầu, bạch cầu, biểu mô, tinh thể và trụ; Một số hệ thống vi sinh đánh giá trước số lượng khuẩn lạc và mô hình phát triển.
Đầu ra của mô hình mang hai thành phần: một lớp (ô này là bạch cầu trung tính) và điểm tin cậy (mức độ tin cậy của nó trong phân loại này). Các tế bào có điểm tin cậy thấp hoặc được đánh dấu là "không điển hình/không xác định" chắc chắn nên được chuyển đến bác sĩ chuyên khoa. Lưu ý rằng mô hình có thể phân loại sai một ô có độ tin cậy cao; điểm tin cậy không phải là sự đảm bảo về độ chính xác.
ứng dụng
AI làm việc trước
công việc của chuyên gia
vết bẩn ngoại vi
Sắp xếp trước ô, phục vụ thư viện
Xác nhận bất thường/vụ nổ/không điển hình, giải thích hình thái học
trầm tích nước tiểu
Nhận dạng và đếm trước phần tử
Xác nhận tế bào tinh thể/đúc/bệnh lý
Vi sinh vật (thuộc địa)
Đếm khuẩn lạc, đánh giá trước tăng trưởng
Phân biệt loại, ý nghĩa lâm sàng
Tủy xương/bệnh lý
Đánh dấu trường/ô
Giải thích chẩn đoán, phê duyệt của bác sĩ
Tại sao mô hình là "sàng lọc" chứ không phải chẩn đoán
Đóng góp có giá trị nhất của các mô hình hình ảnh là chúng giúp tiết kiệm thời gian của chuyên gia bằng cách nhanh chóng vượt qua các mẫu thông thường và phổ biến. Nhưng việc dựa vào mô hình để ra quyết định chẩn đoán là nguy hiểm vì ba lý do:
- Những phát hiện hiếm có. Mô hình có thể không nhận ra một tế bào hiếm (ví dụ: vụ nổ, ký sinh trùng, tế bào lympho không điển hình) mà nó hiếm khi thấy trong dữ liệu huấn luyện. Những phát hiện quan trọng nhất thường là hiếm nhất; Đây là lúc âm tính giả nguy hiểm nhất.
- Hiện vật và bức tranh. Chất lượng nhuộm màu, độ dày chuẩn bị và các đồ tạo tác khi sấy khô có thể làm sai lệch mô hình. Trong quá trình chuẩn bị không được nhuộm màu tốt, mô hình có thể bị phân loại sai một cách an toàn.
- Chuyển dịch phân phối Nếu mô hình được đào tạo với thiết bị và quy trình nhuộm của một phòng thí nghiệm, hiệu suất của nó có thể giảm với một thiết bị/quy trình nhuộm khác. Nếu tập hợp của bạn khác với tập hợp được huấn luyện, mô hình sẽ hoạt động kém hơn mong đợi.
Thận trọng: “Người mẫu nói bình thường, tôi không nhìn” là cách phổ biến nhất để bỏ sót kết quả âm tính giả. Nếu có nghi ngờ lâm sàng bất thường (ví dụ, chẩn đoán sơ bộ về bệnh bạch cầu), phết tế bào sẽ được bác sĩ chuyên khoa kiểm tra, bất kể mô hình nói gì.
Từng bước: quy trình đánh giá trước hình ảnh an toàn
- Kiểm tra chất lượng nhuộm và chuẩn bị. Sự chuẩn bị kém sẽ đánh lừa cả người mẫu và mắt; đảm bảo chất lượng đầu tiên.
- Nhận phân loại trước mô hình dưới dạng thư viện. Xem nhanh các lớp thông thường, bảo mật cao.
- Trước tiên, hãy kiểm tra những điểm có độ tin cậy thấp và "không điển hình" được đánh dấu. Nếu mô hình không rõ ràng, quyết định là của bạn.
- Giữ sự nghi ngờ lâm sàng trên mô hình. Thực hiện đánh giá thủ công đầy đủ về trường hợp dự kiến có sự bất thường.
- Xác minh và báo cáo những phát hiện quan trọng. Các phát hiện như vụ nổ, ký sinh trùng và tế bào ác tính được xác nhận bởi chuyên gia; Nó được chia sẻ với bác sĩ khi cần thiết.
Lưu ý: Ngoài việc sử dụng AI làm thành phần của thiết bị hình ảnh trong đơn vị này, còn có một hạn chế khi làm việc với mô hình ngôn ngữ: tải hình ảnh chuẩn bị bệnh nhân lên công cụ ngôn ngữ có sẵn công khai là một rủi ro về quyền riêng tư và việc dựa vào một công cụ chưa được xác thực để chẩn đoán lâm sàng là sai. Chẩn đoán hình ảnh được thực hiện bằng cách sử dụng hệ thống lâm sàng đã được xác nhận và con mắt của chuyên gia.
Dấu nhắc yếu / Dấu nhắc mạnh
Sự so sánh sau đây áp dụng khi sử dụng AI làm hỗ trợ văn bản (ví dụ: để chỉnh sửa ghi chú hình thái hoặc chuẩn bị mô tả hướng dẫn); không phải để quyết định hình ảnh chẩn đoán.
Dấu nhắc yếu:
Chẩn đoán xem có gì trong vết máu này. [hình ảnh]
Lời nhắc này yêu cầu AI chẩn đoán; trong khi công cụ ngôn ngữ không được xác nhận để chẩn đoán lâm sàng và hình ảnh bệnh nhân có nhiều rủi ro về quyền riêng tư. Đó là cách sử dụng sai lầm và nguy hiểm.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý chuẩn bị văn bản đào tạo/báo cáo cho chuyên gia phòng thí nghiệm. CHẨN ĐOÁN; Giải thích hình ảnh là công việc của tôi. Dưới đây tôi viết những quan sát hình thái của riêng mình (ẩn danh); Biến chúng thành một bản thảo báo cáo bôi nhọ gọn gàng và đánh dấu phát hiện nào cần có sự xác nhận của chuyên gia. Quan sát của tôi: bạch cầu trung tính chiếm ưu thế, dịch chuyển nhẹ sang trái, một số tế bào lympho không điển hình [xác nhận của chuyên gia], ấn tượng về sự tạo hạt độc hại. Không ngụ ý chẩn đoán xác định.
Người mạnh mẽ sẽ giữ kết quả chẩn đoán với chuyên gia, chỉ sử dụng AI để tổ chức các quan sát của riêng mình và đánh dấu phát hiện cần xác nhận.
ba trường hợp nhỏ
Trường hợp 1 - Loại bỏ hiệu quả. Trong phòng thí nghiệm huyết học, máy phân tích kỹ thuật số sẽ phân loại trước 220 mẫu máu mỗi ngày. Trong số này, 150 mẫu có hình dạng hoàn toàn bình thường và điểm tin cậy cao; Chuyên gia nhanh chóng xem xét và phê duyệt chúng thông qua thư viện. 70 mẫu còn lại (độ tin cậy thấp hoặc bị gắn cờ) được xem xét thủ công hoàn toàn. Kết quả: thời gian của chuyên gia tập trung vào những trường hợp thực sự cần khám, tổng thời gian giảm đi đáng kể. Mô hình bị loại bỏ, chuyên gia kiểm tra.
Trường hợp 2 - Vụ nổ thoát ra ngoài. Trong một trường hợp, mô hình đã gắn cờ một số tế bào là “tế bào lympho không điển hình” với độ tin cậy thấp, nhưng chuyên gia đã nhanh chóng xác nhận và bỏ qua phòng trưng bày do mật độ. Về sau, tình trạng lâm sàng của bệnh nhân xấu đi; Khi kiểm tra lại vết bẩn, người ta thấy rằng những tế bào này thực sự là các vụ nổ. Bài học: các ô mà mô hình gắn cờ là “độ tin cậy thấp/không điển hình” không bao giờ được xác thực nhanh chóng; Phát hiện quan trọng nhất có thể được giấu ở đó. Âm tính giả là sai lầm đắt giá nhất.
Trường hợp 3 - Tạo tác nhuộm màu. Trên máy phân tích cặn nước tiểu, mẫu này đánh dấu nhiều "tinh thể" trong chế phẩm có độ nhuộm màu kém. Khi chuyên gia kiểm tra chế phẩm, anh ta thấy rằng đây là những chất kết tủa bị nhuộm màu (hiện vật); Không có tinh thể thực sự. Sự chuẩn bị được đổi mới. Bài học: mô hình có thể nhầm hiện vật với cấu trúc thực; Chất lượng của việc chuẩn bị luôn được kiểm tra đầu tiên.
Mẫu lời nhắc có thể sao chép
MẪU DỰ THẢO BÁO CÁO HÌNH THỨC Vai trò của bạn: trợ lý chuyển các quan sát hình thái do tôi (chuyên gia) viết thành một bản thảo báo cáo có tổ chức. Đừng chẩn đoán. Đưa những quan sát của tôi dưới đây vào ngôn ngữ báo cáo phổ biến tiêu chuẩn; đánh dấu những phát hiện không chắc chắn/không điển hình là "[xác nhận của chuyên gia]"; không ngụ ý một chẩn đoán xác định. Quan sát của tôi: [văn bản].
MẪU QUY TẮC NGOẠI LỆ MÔ HÌNH HÌNH ẢNH Viết dưới dạng danh sách kiểm tra cho hệ thống phân loại trước hình ảnh mà các trường hợp PHẢI được xem xét thủ công hoàn toàn: điểm tin cậy thấp, nhãn "không điển hình/không xác định", nghi ngờ bất thường về mặt lâm sàng, chất lượng chuẩn bị kém, ứng cử viên phát hiện quan trọng. Thêm lời biện minh cho từng mục.
MẪU KIỂM SOÁT CHẤT LƯỢNG CHUẨN BỊ Liệt kê các hạng mục chất lượng mà tôi sẽ kiểm tra trước khi đánh giá việc chuẩn bị vết bẩn/trầm tích: cường độ nhuộm màu, độ phân tán/độ dày, giả tạo, làm khô, nhiễm bẩn. Đề xuất tiêu chí “chấp nhận/chuẩn bị lại” cho từng hạng mục.
MẪU MÔ TẢ ĐÀO TẠO Vai trò của bạn: trợ lý chuẩn bị văn bản đào tạo cho thực tập sinh trong phòng thí nghiệm. Giải thích khái niệm hình thái này một cách đơn giản và chính xác: [khái niệm]. Đưa ra ví dụ, chỉ ra sự khác biệt giữa các cấu trúc tương tự, nhưng nhấn mạnh rằng quyết định chẩn đoán thuộc về bác sĩ chuyên khoa. Tải lên hình ảnh; Chỉ giải thích bằng văn bản.
Những lỗi thường gặp
- Nhầm lẫn việc phân loại của mô hình để nhận dạng. Sắp xếp trước là loại bỏ; Phát hiện bất thường/nghiêm trọng được chuyên gia xác nhận.
- Nhanh chóng phê duyệt các cờ an toàn/không điển hình thấp. Những phát hiện quan trọng nhất đều ở ngay đó; Chúng được kiểm tra đầu tiên và cẩn thận.
- Bỏ qua chất lượng của việc chuẩn bị. Mô hình vẽ kém và đánh lừa thị giác; Chất lượng là ưu tiên hàng đầu.
- Quên sự thay đổi phân phối. Một người mẫu đã được huấn luyện bằng thiết bị/thuốc nhuộm khác có thể hoạt động kém trên các mẫu của bạn.
- Tải hình ảnh bệnh nhân lên công cụ công cộng. Nguy cơ vi phạm tính bảo mật và chẩn đoán không được xác thực.
Mẹo: Khi làm việc với mô hình hình ảnh, hãy coi đây là quy tắc của bạn: "Thông thường, mô hình có thể tăng tốc cho tôi, nhưng bất thường là nó sẽ không bao giờ giúp tôi thư giãn." Nếu có nghi ngờ lâm sàng hoặc mô hình không rõ ràng, quyết định thuộc về chuyên gia ở kính hiển vi.
Tóm lại
Đánh giá trước hình ảnh được AI hỗ trợ giúp loại bỏ các mẫu thông thường trong phết máu, cặn nước tiểu và vi sinh, giúp chuyên gia có thời gian tập trung vào các trường hợp thực sự cần điều tra. Nhưng mô hình này là một công cụ sàng lọc, không phải là một chẩn đoán: nó có thể bỏ sót những phát hiện hiếm gặp, nhầm lẫn các hiện vật là thật và làm suy yếu ở các quần thể khác nhau. Việc chẩn đoán và phê duyệt cuối cùng các phát hiện bất thường và quan trọng thuộc về chuyên gia; các dấu hiệu có độ tin cậy thấp và không điển hình được kiểm tra đầu tiên; Chất lượng của việc chuẩn bị luôn được kiểm tra đầu tiên. Vì âm tính giả là lỗi tốn kém nhất nên nghi ngờ lâm sàng sẽ chiếm ưu thế hơn kết quả đầu ra của mô hình.
Nhiệm vụ ứng dụng
Với mẫu "Quy tắc ngoại lệ mô hình hình ảnh" cho hệ thống phân loại trước hình ảnh mà bạn sử dụng (hoặc một ví dụ), hãy liệt kê những trường hợp chắc chắn sẽ được xem xét thủ công hoàn toàn. Sau đó, biến một tập hợp các quan sát hình thái thành một báo cáo thông thường với mẫu "Dự thảo báo cáo hình thái" và đánh dấu các phát hiện cần xác nhận. Cuối cùng, tạo danh sách kiểm tra chất lượng bằng mẫu "Kiểm soát chất lượng chuẩn bị".
danh sách kiểm tra
- [ ] Tôi sử dụng kết quả đầu ra của mô hình để loại trừ chứ không phải chẩn đoán.
- [ ] Trước tiên, tôi đã kiểm tra những thứ được đánh dấu là an toàn thấp/không điển hình một cách cẩn thận.
- [ ] Tôi đã kiểm tra chất lượng của chế phẩm trước khi đánh giá nó.
- [ ] Trong trường hợp nghi ngờ có bất thường về mặt lâm sàng, tôi đã thực hiện kiểm tra thủ công toàn bộ.
- [ ] Tôi không tải hình ảnh bệnh nhân lên các công cụ công cộng.
- [ ] Tôi đã xác nhận những phát hiện quan trọng một cách thành thạo và chia sẻ chúng với bác sĩ khi cần thiết.