مقالة منهجية

إدخال نظام متكامل لإدارة الصور والذكاء الاصطناعي وإعداد التقارير

DOI:

10.3791/68270

⸱

يوليو 11, 2025

 ,  ,  , 
1NovinoAI, 2Department of Veterans Affairs, New York Harbor Healthcare System

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أحدثت إدارة الصور المتكاملة والذكاء الاصطناعي (الذكاء الاصطناعي) وأنظمة إعداد التقارير ثورة في ممارسة علم الأمراض التشخيصي. في هذه الورقة ، نقدم FlexLIS ، وهو نظام حديث يمكن الذكاء الاصطناعي من مساعدة أخصائيي علم الأمراض في إجراء تقييمات صور الأنسجة المرضية وإنشاء تقارير تشخيصية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أحدث تطوير أنظمة التقارير الإلكترونية (LIS) وأنظمة إدارة الصور (IMS) ونماذج الذكاء الاصطناعي ثورة في ممارسات علم الأمراض. من خلال دمج IMS المتقدمة وخوارزميات الذكاء الاصطناعي المتطورة ، تعمل هذه الأنظمة على تبسيط عملية التشخيص ، مما يتيح تشخيصات أكثر دقة وكفاءة. FlexLIS هو برنامج علم الأمراض الرقمي المتطور الذي يتضمن نماذج الذكاء الاصطناعي لتحليل الصور ونسخ النتائج الناتجة عن الذكاء الاصطناعي في تقارير علم الأمراض الشاملة. يمكن لهذا النظام المتكامل مع الذكاء الاصطناعي أيضا دعم مراقبة الجودة (QC) ، وطلب بقع خاصة للحالات الصعبة ، وتسهيل الاستشارات. نتيجة لذلك ، لديها القدرة على تحسين دقة تشخيص أخصائيي علم الأمراض وسير عملهم. في هذه الورقة ، نقدم بروتوكولا موجزا لعلماء الأمراض حول كيفية استخدام البرنامج لمراجعة صور الشرائح وإنشاء تقارير علم الأمراض. نناقش أيضا تطبيقه في تشخيص سرطان البروستاتا باستخدام خزعة البروستاتا الأساسية وإبرة البروستاتا وفحص سرطان المثانة من خلال علم خلايا البول ، مما يعرض تنوع المنصة وتأثيرها في الممارسات السريرية.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

علم الأمراض التشخيصي هو تخصص طبي مهم يقوم بتشخيص الأمراض عن طريق فحص الأنسجة التي يتم الحصول عليها من المرضى. تتم معالجة عينات الأنسجة ، وتوضع أجزاء رقيقة من الأنسجة على شرائح زجاجية ، ثم يتم تلطيخها بمواد كيميائية مثل الهيماتوكسيلين واليوزين (H & E). تقليديا ، يقوم علماء الأمراض بفحص الأنسجة الملطخة على الشرائح الزجاجية تحت المجاهر وإصدار تقارير تشخيصية عبر برامج الكمبيوتر ، مثل أنظمة المعلومات المختبرية (LIS; الشكل 1 أ). في العقد الماضي ، تم إدخال علم الأمراض الرقمي تدريجيا في ممارسة علم الأمراض ، حيث تم رقمنة الشرائح الزجاجية عن طريق مسح الشريحة الزجاجية لإنتاج صورة شريحة كاملة (WSI) 1. يحتاج علماء الأمراض فقط إلى مراجعة صور الشرائح باستخدام نظام إدارة الصور (IMS) لتقديم التشخيصات ، مما يؤثر بشكل كبير على سير عمل ممارسة علم الأمراض (الشكل 1 ب). في الآونة الأخيرة ، يوفر الذكاء الاصطناعي (الذكاء الاصطناعي) مع التعلم الآلي العميق لصور علم الأنسجة المرضية الرقمية فرصة محتملة لتحسين دقة التشخيص وكفاءة علماء الأمراض1،2.

نظرا لإدخال وتطوير LIS و IMS و الذكاء الاصطناعي لعلم الأمراض في فترات زمنية مختلفة ، يتم توفير هذه الأنظمة من قبل بائعين مختلفين وتعمل بشكل مستقل. حاليا ، يتعين على علماء الأمراض العمل مع نظامين منفصلين ، أي LIS للإبلاغ عن التشخيصات و IMS لمراجعة الصور1. علاوة على ذلك ، تم تصميم نماذج الذكاء الاصطناعي الحالية للعمل بشكل أفضل مع IMS ولكن ليس مع LIS3. يؤثر عدم توافق LIS و IMS و الذكاء الاصطناعي بشكل كبير على تطوير وتنفيذ علم الأمراض الرقمي ونماذج الذكاء الاصطناعي في ممارسة علم الأمراض الروتيني. من المثالي والمهم أن يكون لديك نظام متكامل يجمع بين LIS و IMS حتى يتمكن الذكاء الاصطناعي من مراجعة الصور في IMS وإنشاء تقارير علم الأمراض في LIS.

لذلك ، فإن هدفنا هو تطوير نظام LIS / IMS / الذكاء الاصطناعي المتكامل القائم على السحابة والذي يسمح لأخصائيي علم الأمراض بالوصول إلى الصور وإصدار التقارير في أي وقت وفي أي مكان. علاوة على ذلك ، تتفاعل نماذج الذكاء الاصطناعي بسلاسة بين IMS و LIS بحيث يمكن نسخ نتائج تقييم الذكاء الاصطناعي للصور في IMS إلى تقارير علم الأمراض في LIS تلقائيا. يحتاج أخصائيو علم الأمراض فقط إلى مراجعة الصورة في IMS وتأكيد التشخيص في LIS دون إدخال يدوي. في هذه المقالة ، نقدم بروتوكولا لأخصائيي علم الأمراض لاستخدام FlexLIS ونوضح تطبيقات العالم الحقيقي لتحليل الصور بمساعدة الذكاء الاصطناعي والإبلاغ عنها في تشخيص سرطان البروستاتا وعلم خلايا البول لفحص سرطان المثانة.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تصميم FlexLIS مع الالتزام الصارم بمعايير خصوصية البيانات والأطر التنظيمية ، بما في ذلك قانون قابلية التأمين الصحي والمساءلة (HIPAA). يتم تشفير جميع بيانات المرضى التي تتم معالجتها داخل النظام في حالة السكون وأثناء النقل باستخدام بروتوكولات متوافقة مع معايير الصناعة.

1. إعداد الحساب

  1. افتح متصفح الويب. اكتب متابعة (الشكل 2). يتم إرسال بريد إلكتروني إلى المستخدم.
  2. انتقل إلى البريد الإلكتروني وانقر فوق رابط لتسجيل الدخول ، والذي سيفتح نافذة قائمة الانضمام (الشكل 3).

2. رقمنة الشرائح الزجاجية

  1. قم بتشغيل طاقة الماسح الضوئي الرقمي وقم بتحميل شرائح الزجاج الملون مسبقا (مثل الهيماتوكسيلين واليوزين) في الماسحة الضوئية.
  2. اضغط على ابدأ لبدء مسح الشرائح الزجاجية. سيتم تحميل الصور تلقائيا إلى النظام عن طريق واجهة مباشرة وترتيبها بتنسيق حالة كما يرى علماء الأمراض عادة في درج الشرائح.

3. تحليل البيانات

  1. انظر قائمة الحالات في نافذة قائمة الانضمام (الشكل 3 والشكل 4) والصور المقابلة في نافذة مراجعة الصور (الشكل 5 والشكل 6).
    ملاحظة: يستخدم البرنامج المعايير التالية لقياس قابلية استخدام المستخدم: معدل نجاح المهمة ، والوقت المستغرق في المهمة ، ومعدل الخطأ ، وعدد الإجراءات لكل مهمة ، ومقياس قابلية استخدام النظام (SUS) ، ورضا المستخدم من خلال دراسات المستخدم والمقابلات. نحن نستخدم Datadog لمراقبة المستخدم في الوقت الفعلي (RUM) ولمراقبة أخطاء التطبيق.
  2. في نافذة قائمة الانضمام، يرى المستخدم قائمة الحالات المعينة (الشكل 3C). انقر فوق زر السهم لأسفل أمام العلبة (PN24-00004) لرؤية البقع التي طلبها الموظفون و الذكاء الاصطناعي (PIN4 في هذه الحالة). تشير النقطة الخضراء على أيقونة المجهر إلى اكتمال تحليل الذكاء الاصطناعي (الشكل 2 ج). تشير النقطة الحمراء أمام رقم الانضمام إلى السرطان الذي تم اكتشافه في الصورة بواسطة الذكاء الاصطناعي (الشكل 2 ج). يشير Rereview/Ready/Total إلى العدد الإجمالي للصور في كل فئة. ال! تشير العلامة بعد رقم الصورة إلى تقييم الذكاء الاصطناعي لجودة الصورة (أي الصور المفقودة أو الباهتة).
  3. انقر فوق أيقونة المستخدم أمام الحالة PN24-00004 ، والتي تنقل المستخدم إلى نافذة مراجعة أخصائي علم الأمراض (الشكل 4). يتم سرد جميع العينات أبجديا (الشكل 4 ب) في جدول ملخص العينات. يرى المستخدم نتائج تحليل الذكاء الاصطناعي لكل عينة ، بما في ذلك التشخيص (حميدة ، HGPIN ، ASAP ، السرطان) والوصف (درجات جليسون ، وطول الورم ، ومجموعة الصف ؛ الشكل 4 ب). يرى المستخدمون أيضا نتائج الذكاء الاصطناعي في رسم تخطيطي (سرطان أحمر ، برتقالي في أسرع وقت ممكن ، وأسود حميد ؛ الشكل 4 ب).
  4. انقر على أيقونة المجهر على اليسار إلى B (الشكل 4 ب) ، والتي تفتح نافذة مراجعة الصورة (الشكل 5). يرى المستخدم الصورة المقابلة في نافذة مراجعة صورة منفصلة (الشكل 5). يرى المستخدم أيضا تعليقات توضيحية لنظام الذكاء الاصطناعي ، وتشير الإبرازات الحمراء إلى السرطان ، وتشير الإبرازات الخضراء إلى Gleason 4 (الشكل 5).
  5. انقر فوق C (الشكل 5A) لعرض الصورة C ، انقر فوق D لعرض الصورة D ، إلخ. انقر على أيقونة ملاحظات الذكاء الاصطناعي في الشكل 5C للاطلاع على تفاصيل مخرجات الذكاء الاصطناعي (الشكل 6).

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذا القسم ، يتم تقديم حالتي استخدام لتوضيح كيف يمكن ل الذكاء الاصطناعي مساعدة علماء الأمراض في تقييم الصور وتوفير المدخلات التشخيصية.

تشخيص سرطان البروستاتا (الشكل 7): تقييم الأنسجة المرضية لخزعة البروستاتا مع السرطان ، بما في ذلك طول الورم ونسبته المئوية ، ودرجات جليسون (3 ، 4 ، و 5) ، والنسبة المئوية ل Gleason 4 و 5 ، إلخ. ثم يتم استخدام هذه المعلومات لتصنيف المرضى إلى 4 مجموعات من الصفوف (من 1 إلى 4) ، مع كون 4 هي أكثر أنواع سرطان البروستاتا عدوانية4،5. هذه المعلومات مطلوبة ليتم تضمينها في تقرير علم الأمراض. لذلك ، فهو مثال ممتاز لتوضيح تشخيص الأمراض بمساعدة الذكاء الاصطناعي.

في هذا المثال ، تم تلطيخ الشرائح الزجاجية مع خزعة البروستاتا في البداية بإجراء الهيماتوكسيلين - اليوزين (H & E). ثم تم رقمنة الشريحة الملطخة لإنشاء صورة شريحة كاملة (WSI) ، والتي تم تحميلها على النظام عبر واجهة مباشرة بين كمبيوتر الماسح الضوئي والبرنامج (الشكل 7). بمجرد التحميل ، يقوم نموذج يعمل بنظام الذكاء الاصطناعي بمعالجة الملصق ، ويحدد ويضع علامات على كل كيان ، بما في ذلك مصدر العينة (أي البروستاتا) ونوع التلوين (أي H & E). يحدد هذا النموذج ما إذا كانت الصورة عبارة عن خزعة البروستاتا الملطخة ب H & E. إذا كان الأمر كذلك ، فإن نموذجا آخر قائم على الذكاء الاصطناعي يحلل الصورة ويولد ملاحظات أو مخرجات بناء على التحليل (الشكل 7 أ). هذا النموذج القائم على الذكاء الاصطناعي قادر أيضا على طلب بقع PIN4 الكيميائية المناعية مسبقا لمساعدة علماء الأمراض في تأكيد وجود مناطق سرطانية صغيرة (الشكل 3).

تم تدريب هذا النموذج على أكثر من 1700 صورة لشريحة البروستاتا الكاملة (WSI) التي تم شرحها بالبكسل من قبل فريق من علماء الأمراض ذوي الخبرة. بعد التعليق التوضيحي ل WSIs ، يتم تطبيق نموذج التعلم العميق لتصنيف بلاط أنسجة البروستاتا إلى أربع فئات: Benign و Gleason3 و Gleason4 و Gleason5. كما هو موضح في الشكل 5 ، يتم تجميع المخرجات القائمة على البلاط لإنشاء قناع شريحة كامل يسلط الضوء على المناطق السرطانية: السرطان (الأحمر) ، Gleason4 (الأخضر) ، و Gleason5 (الأزرق. الشكل 6). بالإضافة إلى هذه الأقنعة ، أنشأ نموذج الذكاء الاصطناعي تسمية نهائية (سرطان أو حميد) للبروستاتا WSI. يعتمد هذا التصنيف على السمات المورفولوجية مثل مناطق Gleason3 و Gleason4 و Gleason5 ، ويقين أقنعة Gleason3 و Gleason4 و Gleason5 وعوامل أخرى. تم تأكيد أداء نموذج البروستاتا الحالي للكشف عن سرطان البروستاتا باستخدام مجموعة مستقلة من 1,000 WSIs التي لم يتم استخدامها أثناء تطوير النموذج أو التحقق من صحته. يتم تصنيف كل شريحة في مجموعة التحقق على أنها إما حميدة أو سرطانية. يقوم النموذج المدرب أيضا بتعيين تسمية لكل شريحة كما هو موضح. من خلال مقارنة تسميات الحقيقة الأساسية مع تنبؤات النموذج ، تم حساب مقاييس الأداء مثل الدقة والحساسية والخصوصية ودرجة F1 ، كما هو موضح في الجدول 1. تشير النتائج إلى أن النموذج المدرب يعمل بشكل مماثل لنماذج الذكاء الاصطناعي للبروستاتاالأخرى 6.

بالإضافة إلى درجات جليسون ، فإن نموذج الذكاء الاصطناعي قادر على تحديد طول الورم ونسبته المئوية ، ومجموعة الدرجات (الشكل 7). علاوة على ذلك ، فإن نموذج الذكاء الاصطناعي قادر أيضا على حساب علم الأمراض القائم على مجموعة مخاطر NCCN والمعلومات السريرية إذا تم توفيره (الشكل 7 أ). في FlexLIS ، يستطيع الذكاء الاصطناعي نسخ جميع المعلومات التشخيصية في تقرير علم الأمراض ، بحيث لا يضطر علماء الأمراض إلى إدخالها يدويا في التقرير (الشكل 7 ب). على الرغم من أن عملية الذكاء الاصطناعي بأكملها قد اكتملت في الخلفية وغير مرئية لعلماء الأمراض ، إلا أن نتائج تحليل الذكاء الاصطناعي ونفس الصورة مرئية لعلماء الأمراض الذين يمكنهم اتخاذ قرار الاحتفاظ بنتائج الذكاء الاصطناعي أو تغييرها في تقرير علم الأمراض (الشكل 7 ب).

علم خلايا البول لفحص سرطان المثانة: علم خلايا البول هو الطريقة الأساسية غير الغازية لفحص سرطان المثانة وتشخيصهومراقبته 7. يصنف علم خلايا البول المرضى إلى أربع فئات: سلبي لسرطان الظهارة البولية عالي الدرجة ، وخلايا الظهارة البولية غير النمطية ، والمشتبه في الإصابة بسرطان الظهارة البولية عالي الدرجة ، وسرطان الظهارة البولية عاليالدرجة 8. تتطلب مراجعة علم خلايا البول خبرة ومهارة وتستغرق وقتا طويلا للغاية. لذلك ، فإن فحص خلايا البول بمساعدة الذكاء الاصطناعي مطلوب بشدة. تقدم هذه الحالة تقييما أحادي الخلية بواسطة الذكاء الاصطناعي.

يمكن أن يكون فحص شرائح علم خلايا البول عملية كثيفة العمالة وتستغرق وقتا طويلا لأخصائيي علم الأمراض. يتطلب مسح الحقول الواسعة بدقة والتكبير والتصغير بشكل متكرر لتحديد موقع الخلايا النادرة ذات الأهمية التشخيصية ، والتي غالبا ما تشبه البحث عن إبرة في كومة قش. لا يتطلب هذا النهج اليدوي وقتا وتركيزا كبيرين فحسب ، بل يساهم أيضا في التعب التشخيصي والتباين المحتمل في التفسيرات. لتبسيط هذه العملية ، تم تطوير نموذج خلايا البول القائم على الذكاء الاصطناعي والمدمج في FlexLIS لدعم علماء الأمراض من خلال الكشف التلقائي عن مجموعة واسعة من أنواع الخلايا في عينات البول وتصنيفها. النموذج قادر على تحديد الفئات التالية: HGUC (خلايا سرطان الظهارة البولية عالية الدرجة) ، المشبوهة (خلايا الظهارة البولية ذات التشوهات الملحوظة التي توحي بالأورام الخبيثة ولكن ليست تشخيصية نهائية) ، خلايا الظهارة البولية غير النمطية ، كرات الدم الحمراء (خلايا الدم الحمراء) ، البلورات ، الخلايا الليمفاوية ، الخلايا متعددة الأشكال ، فيروس الورم المتعدد ، الخلايا الأنبوبية الكلوية ، المنوية ، الخلايا الحرشفية ، خلايا الظهارة البولية الطبيعية ، الخميرة ، وغيرها. لزيادة تعزيز قابلية الاستخدام ، يتم تمييز الفئات ذات الأهمية التشخيصية - HGUC ، وخلايا الظهارة البولية غير النمطية ، والخلايا المشبوهة - باستخدام ألوان مميزة (الشكل 8) ، مما يمكن علماء الأمراض من التركيز بسرعة على مجالات الاهتمام دون الحاجة إلى مسح يدوي شامل.

علاوة على ذلك ، يحدد نموذج الذكاء الاصطناعي عدد الخلايا في كل فئة تم اكتشافها ويدمج هذه البيانات بسلاسة في الإخراج (الشكل 8). يتم نسخ هذه النتائج تلقائيا في تقرير علم الأمراض ، مما يمكن أخصائي علم الأمراض من التركيز فقط على مراجعة الحالة والتحقق منها ووضع اللمسات الأخيرة عليها. هذا يعزز بشكل كبير من كفاءة التشخيص ، ويقلل من عبء العمل اليدوي ، ويعزز الاتساق والدقة عبر التقارير.

لتدريب نموذج الذكاء الاصطناعي ، تم اختيار 500 منطقة بشكل عشوائي من بين 150 صورة شريحة كاملة لعينات علم خلايا البول. قام علماء أمراض الخلايا الخبراء بشرح الخلايا يدويا داخل هذه المناطق في 14 فئة محددة مسبقا ، كما هو موضح سابقا ، مما أدى إلى أكثر من 30,000 خلية مشروحة. تم استخدام مناطق من 80٪ من الشرائح للتدريب ، بينما تم حجز ال 20٪ المتبقية للتحقق من الصحة. ثم تم تدريب نموذج الكشف عن الكائنات وتقييمه لتحديد الخلايا وتصنيفها بدقة عبر الفئات المحددة.

بالإضافة إلى نماذج خلايا البروستاتا والبول ، يتوفر أيضا نموذج الذكاء الاصطناعي لأمراض الجهاز الهضمي في البرنامج. نماذج أخرى ، بما في ذلك سرطان المثانة وسرطان الرئة ، في طور التطوير.

figure-results-1
الشكل 1: سير عمل علم الأمراض. (أ) سير عمل علم الأمراض التقليدي. (ب) سير عمل علم الأمراض الرقمي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: نافذة تسجيل الدخول. أدخل البريد الإلكتروني في مربع البريد الإلكتروني. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: نافذة قائمة الانضمام. (أ) يشير الشريط الجانبي الأيسر إلى خيارات مستخدم مختلفة. (ب) مرشح الانضمام للبحث عن الحالات وفرزها. (ج) قائمة الانضمام مع معلومات عن كل حالة، بما في ذلك رقم الانضمام، واسم المريض، وحالة الحالة، وعدد الصور وجودتها، وما إلى ذلك. في هذه الحالة ، تم تعيين 4 حالات للمستخدم. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: نافذة مراجعة أخصائي علم الأمراض. (أ) معلومات الحالة ، بما في ذلك حالة الحالة. (ب) يوفر جدول ملخص العينة ملخصا لكل عينة ، بما في ذلك الموقع والتشخيص والتعليقات. (ج) توفر معلومات العينة معلومات إضافية حول العينة. (د) لوحة مراقبة الحالة للتنقل في القضية. يشير الرسم البياني الأيمن إلى مواقع خزعة البروستاتا ونتائج الذكاء الاصطناعي (سرطان أحمر ، برتقالي في أسرع وقت ممكن ، وأسود حميد). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: نافذة مراجعة الصور. (أ) تسرد مكتبة الصور (الشريط الجانبي الأيسر) جميع العينات أبجديا مع معلومات عن نوع البقعة وحالتها. (ب) شريط الأدوات (أعلى) لنقل الصور والتعليق عليها ومشاركتها. (ج) معلومات عن الحالة/الذكاء الاصطناعي (الشريط الجانبي الأيمن) لإبداء التعليقات والتواصل مع الموظفين والاطلاع على ملاحظات/نواتج الذكاء الاصطناعي. هذه الحالة عبارة عن خزعة من البروستاتا مع سرطان البروستاتا مقنع بواسطة الذكاء الاصطناعي (السرطان الأحمر والأخضر جليسون 4). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 6: مخرجات الذكاء الاصطناعي. (أ) صورة الأنسجة. (ب) ملاحظات الذكاء الاصطناعي ، أي تقييم الذكاء الاصطناعي للصورة ، بما في ذلك طول الورم ، ودرجة جليسون ، ومجموعة الدرجات ، وما إلى ذلك. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 7: يقوم نموذج الذكاء الاصطناعي للبروستاتا تلقائيا بتقييم صورة خزعة البروستاتا ويساعد في إنشاء تقارير علم الأمراض. (أ) بعد تحليل الصور في IMS. (ب) يقوم الذكاء الاصطناعي بإخراج النتائج إلى تقرير علم الأمراض. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-8
الشكل 8: تقييم الذكاء الاصطناعي لشريحة علم خلايا البول. تم تسليط الضوء على خلايا الظهارة البولية غير الطبيعية باللون الأحمر (خلايا سرطان الظهارة البولية عالية الدرجة) والوردي (الخلايا المشبوهة). تظهر نتائج الذكاء الاصطناعي في الملحق (الزاوية العلوية اليمنى). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

دقةدقةحساسيةخصوصيهنتيجة F1
97%96%98%96%97%

الجدول 1: أداء نموذج الذكاء الاصطناعي للبروستاتا للكشف عن السرطان الغدي في خزعات البروستاتا.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعتمد التطبيق الناجح والدقيق ل FlexLIS على العديد من الخطوات الحاسمة في العملية ، والتي يمكن تعريفها على أنها عوامل ما قبل التحليل والتحليل وما بعدالتحليل 1. أهم عامل ما قبل التحليل هو جودة الصورة ، والتي تتأثر بالماسحات الضوئية الرقمية وملصقات الشرائح والتلطيخ. تؤثر الجودة الرديئة للصور بشكل كبير على تقييم الصور وأداء الذكاء الاصطناعي. تشمل العوامل التحليلية سرعة الإنترنت وجودة عرض الصورة (البكسل والدقة) واستقرار البرنامج والتشغيل الصحيح من قبل المستخدمين. تشمل عوامل ما بعد التحليل تخزين الصور والاحتفاظ بها ، والنسخ الاحتياطي للصور ، والمرونة ، وأمن البيانات ، والامتثال لقانون HIPAA1. نظرا لأن البرنامج مصمم من قبل علماء الأمراض لأخصائيي علم الأمراض ، يمكن اكتشاف العديد من الأخطاء التحليلية المحتملة التي تتم مواجهتها في الممارسة اليومية ، بما في ذلك سوء التشغيل ، ووضع علامة عليها بواسطة البرنامج لضمان تصحيح هذه الأخطاء قبل الانتقال إلى الخطوة التالية. على سبيل المثال ، إذا لم تتم مراجعة الصورة ولم يتم إدخال التشخيص (الشكل 4) ، فلا يمكن الانتهاء من الحالة.

بينما يعمل البرنامج على تبسيط سير العمل بشكل كبير ، فقد يكون من الضروري إجراء تعديلات عرضية أو استكشاف الأخطاء وإصلاحها. على سبيل المثال ، قد تنشأ تناقضات بين تقييمات الذكاء الاصطناعي وتفسيرات أخصائي علم الأمراض. يمكن أن تنتج هذه الاختلافات عن عوامل مثل جودة الصورة ، أو الاختلافات في تقنيات تلطيخ الشرائح ، أو وجود أنواع أورام نادرة وأنماط نسيجية مرضية كانت ممثلة تمثيلا ناقصا في مجموعات بيانات التدريب الأولية. لمواجهة هذه التحديات ، يتم استخدام نهج الإنسان في الحلقة ، حيث يقدم علماء الأمراض ملاحظات لنموذج الذكاء الاصطناعي. تستخدم هذه الملاحظات لتحديث النموذج بشكل دوري ببيانات تدريب جديدة وأكثر تنوعا، مما يحسن دقته وقابليته للتعميم بمرور الوقت. هذا يضمن استمرار النظام في التطور والتحسين بناء على الخبرة السريرية في العالم الحقيقي.

على الرغم من أنه تم الإبلاغ عن كل نظام LIS9 و IMS و الذكاء الاصطناعي10 سابقا ، إلا أن FlexLIS يبرز كنظام متكامل ، على حد علمنا ، لم يتم الإبلاغ عنه من قبل. والأهم من ذلك ، أن هذا النظام المتكامل ، بما في ذلك نماذج الذكاء الاصطناعي ، قد تم استخدامه يوميا في العديد من ممارسات علم الأمراض وأظهر فائدته وموثوقيته. تم تصميم هذا النظام لاستخدامه في مختبرات علم الأمراض الروتينية ، وبالتالي يدعم التعامل مع مجموعة متنوعة من عينات علم الأمراض والإبلاغ عنها ، بما في ذلك البروستاتا والمثانة والثدي والرئة والجهاز الهضمي وأمراض النساء والتوليد ، إلخ. يشتمل هذا النظام على العديد من ميزات مراقبة الجودة القائمة على الذكاء الاصطناعي ، بما في ذلك اكتشاف القطع الأثرية في الصور ووضع علامة عليها (الأنسجة الباهتة والمفقودة) ، والتي يمكن أن تؤثر على دقة التشخيص. أخيرا ، هذا النظام مرن للغاية ويمكن تكييفه وفقا للاحتياجات المحددة لكل مختبر على حدة.

التطبيقات المستقبلية لنظام LIS / IMS / الذكاء الاصطناعي المتكامل واسعة جدا ، بما في ذلك الخدمات السريرية والبحوث الطبية الحيوية وتعليم طلاب الطب / المقيمين. يوفر وحدة بحثية منفصلة تضمن تلبية المعايير العالية في البحث بما في ذلك تلك التي يتطلبها مجلس المراجعة المؤسسية ، مثل 1) إلغاء تحديد الصور عن طريق إفراغ ملصق الشريحة الأصلي الذي يحتوي على معرف المريض وتعيين معرف بحث جديد ؛ 2) فرز وترتيب الشرائح والحالات على النحو المطلوب في تصميم الدراسة ؛ 3) تسجيل وتتبع تشخيص المشاركين وتعليقاتهم لتحليل البيانات وتلخيصها ، إلخ.

تتجلى فائدته في التعليم من خلال مشروع تدريب المقيمينالمستمر 11 ، والذي يشير إلى أن مساعدة الذكاء الاصطناعي يمكن أن تزيد من دقة السكان في تحديد السمات النسيجية المرضية الرئيسية. العديد من الميزات داخل البرنامج الموضح هنا ، بما في ذلك IMS سهل الاستخدام وعدد كبير من الصور في النظام ، والوصول الذي يمكن التحكم فيه لأقنعة الذكاء الاصطناعي والتعليقات التوضيحية ، وميزات ChatGPT المتكاملة الخاصة بعلم الأمراض ، والقدرة الآمنة والمريحة على مشاركة الحالات ، تجعله نظاما أساسيا مفيدا لكل من التعلم الموجه ذاتيا والتدريب الموجه بالمرشد.

حاليا ، يواجه البرنامج العديد من القيود والتحديات ، مثل أي نظام أساسي آخر لإدارة الصور قائم على الذكاء الاصطناعي1. يجب أن تؤخذ في الاعتبار تحديات التكامل، بما في ذلك التفاعل مع EMR الحالية، والتخزين، واسترجاع الصور الكبيرة، وما إلى ذلك، عند التنفيذ. تعد قابلية تعميم نماذج الذكاء الاصطناعي عبر المؤسسات المختلفة ، والماسحات الضوئية ، وبروتوكولات التلوين ، ومجموعات المرضى ، بالإضافة إلى الحساسية للقطع الأثرية للصور ، وتباين تحضير الأنسجة ، وأنماط الأنسجة النادرة ، بعض القيود المرتبطة بنماذج الذكاء الاصطناعي للأراضي. أخيرا ، تعد قابلية التشغيل البيني تحديا آخر لأنظمة الذكاء الاصطناعي لعلم الأمراض بسبب تجزئة تنسيقات البيانات والمصطلحات التشخيصية والأدوات الخاصة بالنظام الأساسي.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشارك المؤلفون في تطوير FlexLIS. تم تطوير نظام LIS / IMS ، بالإضافة إلى الذكاء الاصطناعي ، بواسطة NovinoAI وهو مملوك لشركة NovinoAI.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
فليكس ليسنوفينو الذكاء الاصطناعي

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhang, D. Y., et al. Implementation of digital pathology and artificial intelligence in routine pathology practice. Lab Invest. 104 (9), 102111(2024).
  2. Zhu, M., et al. Artificial intelligence in pathologic diagnosis, prognosis and prediction of prostate cancer. Am J Clin Exp Urol. 12 (4), 200-215 (2024).
  3. Park, S. L., et al. Anatomic pathology laboratory information systems: a review. Adv Anat Pathol. 19 (2), 81-96 (2012).
  4. Epstein, J. I., et al. The 2019 genitourinary pathology society (gups) white paper on contemporary grading of prostate cancer. Arch Pathol Lab Med. 145 (4), 461-493 (2021).
  5. Moses, K. A., et al. NCCN guidelines insights: Prostate cancer early detection, version 1.2023. J Natl Compr Canc Netw. 21 (3), 236-246 (2023).
  6. Bryant, R. J., et al. Local anaesthetic transperineal biopsy versus transrectal prostate biopsy in prostate cancer detection (TRANSLATE): a multicentre, randomised, controlled trial. Lancet Oncol. 21, (2025).
  7. Flaig, T. W., et al. NCCN guidelines insights: Bladder cancer, version 3.2024. J Natl Compr Canc Netw. 22 (4), 216-225 (2024).
  8. Barkan, G. A., et al. The Paris system for reporting urinary cytology: The quest to develop a standardized terminology. J Am Soc Cytopathol. 5 (3), 177-188 (2016).
  9. Sepulveda, J. L., et al. The ideal laboratory information system. Arch Pathol Lab Med. 137 (8), 1129-1140 (2013).
  10. Fu, Q., et al. Design and Implementation of Clinical LIS360 Laboratory Management System Based on AI Technology. Int J Comput Intelligence Syst. 16, 33(2023).
  11. Zhu, M., et al. Artificial Intelligence-Assisted Histopathology As A Training Tool For Residents. Lab Invest. 105 (3), 102736(2025).

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة