Symulator wykrywania metastazy i kategorii pN w histopatologii

Dlaczego nerekordylniki i dlaczego to trudne

Nerekordylniki pełnią rolę punktów kontrolnych filtracyjnych w systemie nerekordylniczym, a dla wielu solidejnowatych raka, w tym raka piersi, są zazwyczaj pierwszym miejscem, do którego przemieszczają się komórki rakowe, jeśli opuszczą oryginalny siedlisko raka. Czy raka jest znaleziono w bliskich nerekordylnikach i jak dużo – to jedno z najmocniejszych dostępnych prognozatorów, jak się zachowa raka i jakie leczenie jest stosowne, dlatego po diagnostyce raka piersi często usuwane są i badane nerekordylniki sentinela, pierwsze nerekordylniki, do których dociera zrenfulacja nerekordylnicza tarczy. Sam obieg badania jest źródłem trudności. Usunięty nerekordylnik jest podzielony na cienkie sekcje, umieszczane na blaszkach szklanych i zaznaczane, w większości z hematoxylinem i eosyninem (H&E), aby komórki nukleary i struktury tkanki stały się widoczne pod mikroskopem. Patholog musi systematycznie skanować całą sekcję pod wysokim powięczeniem, szukając komórek rakowych wśród normalnej tkanki lymphoidej nerekordylnika. Zgromadzenie rzeczywistej metastazy może być dużym, wyraźnym masą sólową, ale tak samo łatwo może być małą ilością rozproszonej komórek zajmującą tylko mały fragment blaszki, łatwo przegapić pod naciskiem czasu pośród setek blaszek w jednym przypadku.

Whole-Slide Imaging i Wyzwanie CAMELYON

Cyfrowa patologia przekształca glasne plastry na obrazy whole-slide: ekstremalnie wysokie rozdzielczościowe digitalne skany, często wielokilobitowe, które mogą być przeglądane, anotowane i, szczególnie, przetwarzane komputerowo. Ostatnia z tych możliwości otworzyła drzwi na naturalną pytanie: czy algorytm wizji komputerowej, treningu na wystarczającej liczbie etykietowanych przykładów, mógłby sam nauczyć się rozpoznawania regionów metastażowych w obrazie whole-slide? CAMELYON (CAncer MEtastases in LYmph nOdes) to publiczne wyzwanie badawcze zaprojektowane do odpowiedzi na to pytanie, używając anotowanych obrazów whole-slide sekcji nodów sentinelskich zakażeń piersiowych. Wyniki opublikowane przez Bejnordi i współpracowników są dobrze dokumentowane i warto podać dokładnie, a nie nadmiernie oszczędzić: najlepsze algorytmy w wyzwaniu osiągnęły dokładność rozpoznawania równą lub zbliżoną do profesjonalnych patologów pracujących pod ustalonym czasem na tym samym zestawie plastrów, a łączenie przewidywań algorytmu z niezależną recenzją patologa dało lepsze wyniki niż algorytm czy patolog samodzielnie. To nie ustanowiło, że AI powinno zastąpić diagnozę patologiczną, a badacze nie stawiliły takiego twierdzenia. Ustanowiło to, że asystowane przez AI skanowanie, algorytmy oznaczające regiony do bliższej recenzji ludzkiej, jest wiarygodnym i rzeczywistym dodatkowym dopełnieniem do oceny ekspertów, a nie jej zastąpień.

Jak Wirkownik Opierający się o Płaty Właściwie Funkcjonuje

Obraz pełnej wycieczki jest zbyt duży, aby być wprowadzony do modelu w całości, dlatego standardowym podejściem, a tym, które to symulacja ilustruje bezpośrednio, jest podział obrazu na siatkę małych płytek, często nazywanych platami, i klasyfikowanie każdej płytki niezależnie jako tarczy lub normalną tkankę. Spawanie tych przewidywań po płytkach powoduje produkcję mapy termicznej nad całą wycieczką, podkreślając obszary najbardziej prawdopodobne do zawierania komórek tarczy, które pathologa może badać bliżej. Siatka z 100 małych płytek symulacji jest bezpośrednim i uproszczonego podstawnika dla tego procesu: każda płyta reprezentuje plik przeprowadzonych obserwacji tkaniny, płyty są oznaczane jako pozytywne dla tarczy lub nie, a wzór płytek pozytywnych analizowany jest dokładnie tak samo, jak to robiłaby prawdziwa procedura, przeglądając mapę termiczną spawaną, szukając obszarów kontynuujących się i pomiar ich wielkości. Prawdziwe systemy są oczywiście znacznie bardziej sofistykowane, zazwyczaj sieci neuronowych konwolucyjnych treningowych na tysiącach płytek oznaczonych przez ekspertów, ale podstawowa logika, klasyfikacja po płytkach followed by agregacja przestrzenna, jest tą samą myślą, którą ta symulacja umożliwia manipulować bezpośrednio za pomocą skrójnika.

Takie naprawdę skali pN z systemu AJCC

Po znalezieniu depozytu metastatycznego, jego rozmiar determinuje, w którą z trzech rzeczywistych, klinicznie definiowanych skali ity podaje się go w ramach systemu stagowania AJCC (American Joint Committee on Cancer), tego samego odniesienia, które really są używane przez patologię. Depozity pojedynczych komórek raka (ITC) opisują pojedyncze komórki raka lub małe grupy nie większe niż 0,2 mm. Nodły zawierające tylko ITC są konwencjonalnie wyklęte z liczenia dodatnich nodłów używanego do klasyfikacji N, choć nadal są zapisywane, ponieważ depozity tak małe mają inny wagę prognozy niż prawdziwa metastaza. Metastaz mikrometryczne obejmuje depozyty większe niż 0,2 mm, ale nie większe niż 2,0 mm. Ta skala jest oznaczona jako pN1mi w raporcie patologicznym i liczy się jako choroba nodalna dodatnia, odstająca od ITC. Metastaz makrometryczne obejmuje dowolny depozyt większy niż 2,0 mm - to bandę, o której większość ludzi myśli, gdy informelnie mówią, że nodł ma w sobie raka, a wpływa na kategorie pN1a i wyższe w zależności od liczby zainteresowanych nodłów. Te próg rozmiarowy nie są losowe: reprezentują akumulowany wynik badań klinicznych łączących się z prognozą i prawdopodobieństwem, że pacjent korzysta z dodatkowego leczenia, co jest dokładnie powodem dla którego raport patologiczny podaje dokładną kategorię rozmiaru zamiast prostej „pozytywny” lub „negatywny”.

Skala ilustracyjna tego symulatora

Aby uczynić rzeczywiste próżniowe millimetry dotykalne na małej siatce pól, symulator stawia jasno swoją skalę mapowania zamiast pozostawać bezpodstawnie. 10×10 siatka z 100 polami reprezentuje symulowany obszar 2,0 mm × 2,0 mm w obrazie pełnego przekroju nerekowca, co oznacza, że każdy pole reprezentuje około 0,2 mm tkaniny. Ta konkretna skala została wybrana świadomie, aby siatka mogła ilustrować wszystkie trzy rzeczywiste pasy. Jedno izolowane pozytywno pole, otoczone negatywnymi polami, znajduje się dokładnie na granicy rzeczywistego próżniowego pojedynczego komórki o 0,2 mm. Kontynuowana grupa kilku sąsiadujących pól znajduje się w zakresie od 0,2 do 2,0 mm mikrometastazy. Zawiesina, która rośnie i pokrywa pełną szerokość lub wysokość siatki, zbliża się do granicy rzeczywistego próżniowego macrometastazy o 2,0 mm. Symulator mierzy największą połączoną grupę pól pozytywnych z tkaniny raka, sprawdza jej szerokość i wysokość w symulowanych millimetrach, a następnie raportuje kategorię ilustracyjną pN na żywo, dokładnie odzwierciedlając sposób, w jaki największa liniowa wymiar zawiesiny rzeczywistej okazuje się kategorią prawdziwej sytuacji. Warto być jasnym co do granic tej mapowania: obszar 2 mm × 2 mm jest małą częścią rzeczywistego przekroju nerekowego, który może być znacznie większy niż jeden centymetr, a siatka z 100 polami jest drastycznym uproszczeniem gigapixelowego obrazu pełnego przekroju przetworzonego przez sieć neuronową treningową. Symulator jest zaprogramowany do nauczania logiki próżniowych granic i pojęcia wykrywania jasno, a nie do powtórzenia pełnej skali ani złożoności rzeczywistej pipeline cyfrowej patologii.

Rozrzucane wobec Grupowane: Dlaczego Małpa Przestrzenna ma Znaczenie

Dwa tryby malpy przestrzennej symulacji istnieją, ponieważ depozyty metastazy nie są tylko określone ilością tkanki, ale również sposobem rozkładu tej ilości. Ostrzelne komórki raka, jak i tak nazwane, są zazwyczaj rozrzucane jako pojedyncze komórki lub niewielkie, niezawierające się klasterka przez inaczej wyglądającą tkankę lymfoidną, dokładnie to, co tryb „rozrzucany” umieszcza na siatce: dodatnie pakiety utrzymywane są jak najbardziej oddzielone od siebie. Przeciwnie, prawdziwy depozyt metastazy jest kontynuowanym massem komórek raka rosnącym z wspólnego miejsca, dokładnie to, co symuluje tryb „grupowany” rosnącym jednym połączonym obszarem od losowo wybranej początkowej pakiety. Ta roz nie jest tylko kosmetyczna w symulatorze, ale także diagnostycznie istotna: taka sama liczba dodatnich pakiety komórek raka może znaleźć się w całkowicie innym kategorii pN w zależności od tego, czy są one rozrzucane czy grupowane, ponieważ próg rozmiarów AJCC jest zdefiniowany rozmiarem pojedynczego kontynuowanego depozytu, a nie sumą całkowitej powierzchni dodatnich obszarów połączonych w sekcje niepołączone. Obserwacja zmiany znacznika pN podczas przełączania malpy przy ustalonej progresji dodatniej jest bezpośrednim, praktycznym sposobem na pokazanie dlaczego pattern, a nie tylko ilość, decyduje o rzeczywistym wyniku kategorii.

Dlaczego wspomaganie przez sztuczną inteligencję w screeningu jest rzeczywistym rozwiązaniem dla rzeczywistego problemu

Powrót do opisanego wcześniej problemu skalarnego: obraz pełnej slajdu może przedstawić tysiące indywidualnych polek mikroskopowych o wysokiej mocy zarysu, a klinicznie znaczący depozit, zwłaszcza mikrometastaz lub pojedyncze komórki tumorowe, może zajmuje tylko kilka z tych pól. Przeglądanie każdego pola pod mocy zarysu diagnostycznego dla każdego noda od każdego pacjenta, sprawdzać z koncentracją uwagi, jest rzeczywiście trudne zadanie, a czas patologa jest ograniczonym i cennym zasobem w każdym systemie zdrowotnym. To dobrze dokumentowana motywacja za linią badań CAMELYON i szerszym obszarze komputeryzowanej patologii: nie aby usunąć patologa z pętli, ale aby skierować jego uwagę efektywnie, oznaczając rejon slajdu najbardziej prawdopodobnie zawierającego tukor, tak aby czas na ekspertowe sprawdzenie był wykorzystany tam, gdzie jest najbardziej potrzebny. Znalezienie, że recenzja algorytmu plus patologa przekroczyła obydwa przypadki osobnych, to najjasniejsze dowody na to, że ta dopełniająca perspektywa, a nie perspektywa automatyzacji zastępującej eksperta, jest rzeczywiście wspierana przez opublikowane wyniki.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Histopathology Metastasis Detection & pN Staging Simulator i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.