Einführung eines integrierten Pathologie-Bildmanagements, künstlicher Intelligenz und Befundungssystems

Zusammenfassung

Integriertes Bildmanagement, künstliche Intelligenz (KI) und Berichtssysteme haben die diagnostische Pathologie revolutioniert. In diesem Artikel stellen wir FlexLIS vor, ein hochmodernes System, das es KI ermöglicht, Pathologen bei der Durchführung histopathologischer Bildbewertungen und der Erstellung von Diagnoseberichten zu unterstützen.

Zusammenfassung

Die Entwicklung von elektronischen Befundungssystemen (LIS), Bildmanagementsystemen (IMS) und KI-Modellen hat die Pathologie revolutioniert. Durch die Integration von fortschrittlichem IMS und ausgeklügelten KI-Algorithmen rationalisieren diese Systeme den Diagnoseprozess weiter und ermöglichen präzisere und effizientere Diagnosen. FlexLIS ist eine hochmoderne Software für die digitale Pathologie, die KI-Modelle für die Bildanalyse integriert und die KI-generierten Ergebnisse in umfassende Pathologieberichte umschreibt. Dieses KI-integrierte System kann auch die Qualitätskontrolle (QC) unterstützen, spezielle Beizen für schwierige Fälle bestellen und Konsultationen erleichtern. Infolgedessen hat es das Potenzial, die diagnostische Genauigkeit und den Arbeitsablauf von Pathologen zu verbessern. In diesem Artikel stellen wir Pathologen ein prägnantes Protokoll zur Verfügung, wie sie die Software zur Überprüfung von Objektträgerbildern und zur Erstellung von Pathologieberichten verwenden können. Wir diskutieren auch ihre Anwendung bei der Diagnose von Prostatakrebs mittels Prostatanadelkernbiopsie und Blasenkrebsvorsorge durch Urinzytologie, um die Vielseitigkeit und Wirkung der Plattform in der klinischen Praxis zu zeigen.

Einleitung

Die diagnostische Pathologie ist ein wichtiges medizinisches Fachgebiet, das die Diagnose von Krankheiten durch die Untersuchung von Geweben von Patienten stellt. Gewebeproben werden verarbeitet und dünne Gewebeschnitte werden auf Objektträger gelegt, die dann mit Chemikalien wie Hämatoxylin und Eosin (H&E) gefärbt werden. Traditionell untersuchen Pathologen gefärbtes Gewebe auf Objektträgern unter dem Mikroskop und erstellen Diagnoseberichte über Computersoftware, d.h. Laborinformationssysteme (LIS; Abbildung 1A). In den letzten zehn Jahren wurde die digitale Pathologie nach und nach in die pathologische Praxis eingeführt, wobei Objektträger durch Scannen des Objektträgers digitalisiert wurden, um ein ganzes Objektträgerbild (WSI^{) zu} erzeugen1. Pathologen müssen Objektträgerbilder nur mit einem Bildmanagementsystem (IMS) überprüfen, um Diagnosen zu stellen, was sich erheblich auf den Arbeitsablauf der Pathologiepraxis auswirkt (Abbildung 1B). In jüngster Zeit bietet künstliche Intelligenz (KI) mit tiefem maschinellem Lernen von digitalisierten histopathologischen Bildern eine potenzielle Möglichkeit, die diagnostische Genauigkeit und Effizienz von Pathologen zu verbessern ^1,2.

Aufgrund der Einführung und Entwicklung von LIS, IMS und Pathologie-KI zu unterschiedlichen Zeiträumen werden diese Systeme von verschiedenen Anbietern geliefert und funktionieren unabhängig voneinander. Derzeit müssen Pathologen mit zwei getrennten Systemen arbeiten, d. h. LIS für die Befundung von Diagnosen und IMS für die Überprüfung von Bildern¹. Darüber hinaus sind aktuelle KI-Modelle so konzipiert, dass sie besser mit IMS funktionieren, nicht aber mit LIS³. Die Inkompatibilität von LIS, IMS und KI wirkt sich erheblich auf die Entwicklung und Implementierung von digitalen Pathologie- und KI-Modellen in der routinemäßigen Pathologie aus. Es ist ideal und wichtig, ein integriertes System zu haben, das LIS und IMS kombiniert, damit die KI Bilder in IMS überprüfen und Pathologieberichte in LIS erstellen kann.

Daher ist es unser Ziel, ein cloudbasiertes, integriertes LIS/IMS/KI-System zu entwickeln, das es Pathologen ermöglicht, jederzeit und überall auf die Bilder zuzugreifen und Berichte zu erstellen. Darüber hinaus interagieren die KI-Modelle nahtlos zwischen IMS und LIS, so dass die Ergebnisse der KI-Bewertung von Bildern in IMS automatisch in die Pathologieberichte in LIS übertragen werden können. Pathologen müssen nur das Bild in IMS überprüfen und die Diagnose in LIS ohne manuelle Eingabe bestätigen. In diesem Artikel stellen wir das Protokoll für Pathologen zur Verwendung von FlexLIS vor und demonstrieren die praktischen Anwendungen der KI-gestützten Bildanalyse und Befundung in der Prostatakrebsdiagnose und Urinzytologie für die Blasenkrebsvorsorge.

Protokoll

FlexLIS wurde unter strikter Einhaltung von Datenschutzstandards und regulatorischen Rahmenbedingungen, einschließlich des Health Insurance Portability and Accountability Act (HIPAA), entwickelt. Alle Patientendaten, die innerhalb des Systems verarbeitet werden, werden sowohl im Ruhezustand als auch während der Übertragung mit branchenüblichen Protokollen verschlüsselt.

1. Konto einrichten

1. Öffnen Sie den Webbrowser. Geben Sie Weiter ein (Abbildung 2). Eine E-Mail wird an den Benutzer gesendet.
2. Gehen Sie zu E-Mail und klicken Sie auf den Link zur Anmeldung, um das Fenster Beitrittsliste zu öffnen (Abbildung 3).

2. Digitalisierung von Objektträgern

1. Schalten Sie den digitalen Scanner ein und legen Sie zuvor Buntglas-Objektträger (d. h. Hämatoxylin und Eosin) in den Scanner ein.
2. Drücken Sie Start , um den Scanvorgang von Objektträgern zu starten. Die Bilder werden automatisch über eine direkte Schnittstelle in das System hochgeladen und in einem Fallformat angeordnet, wie es Pathologen normalerweise in der Folienablage sehen.

3. Datenanalyse

1. Siehe die Liste der Fälle im Fenster Beitrittsliste (Abbildung 3 und Abbildung 4) und die entsprechenden Bilder im Fenster Bildüberprüfung (Abbildung 5 und Abbildung 6).
   HINWEIS: Die Software verwendet die folgenden Benchmarks, um die Benutzerfreundlichkeit zu messen: Erfolgsrate von Aufgaben, Zeit für die Aufgabe, Fehlerquote, Anzahl der Aktionen pro Aufgabe, Usability-Skala (SUS) des Systems und Benutzerzufriedenheit durch Benutzerstudien und Interviews. Wir verwenden Datadog für die Echtzeit-Benutzerüberwachung (RUM) und zur Überwachung auf Anwendungsfehler.
2. Im Fenster "Beitrittsliste" wird dem Benutzer die Liste der zugewiesenen Fälle angezeigt (Abbildung 3C). Klicken Sie auf die Schaltfläche mit dem Abwärtspfeil vor dem Gehäuse (PN24-00004), um die nach Mitarbeitern und KI sortierten Flecken anzuzeigen (in diesem Fall PIN4). Ein grüner Punkt auf dem Mikroskopsymbol zeigt den Abschluss der KI-Analyse an (Abbildung 2C). Ein roter Punkt vor der Zugangsnummer weist auf Krebs hin, der von der KI im Bild erkannt wurde (Abbildung 2C). Überprüft/Bereit/Gesamt gibt die Gesamtzahl der Bilder in jeder Kategorie an. Das! Die Markierung nach der Bildnummer zeigt die KI-Bewertung der Bildqualität an (d. h. fehlende oder verschwommene Bilder).
3. Klicken Sie auf das Benutzersymbol vor dem Fall PN24-00004 , wodurch der Benutzer zum Fenster "Pathologist Review" gelangt (Abbildung 4). Alle Proben sind in alphabetischer Reihenfolge (Abbildung 4B) in der Probenübersichtstabelle aufgeführt. Der Benutzer sieht die KI-Analyseergebnisse für jede Probe, einschließlich Diagnose (gutartig, HGPIN, ASAP, Krebs) und Beschreibung (Gleason-Scores, Tumorlänge und Gradgruppe; Abbildung 4B). Benutzer sehen die KI-Ergebnisse auch in einem Diagramm (rot-krebs, orange-ASAP und schwarz-gutartig; Abbildung 4B).
4. Klicken Sie auf das Mikroskop-Symbol links neben B (Abbildung 4B), wodurch das Fenster "Bildüberprüfung" geöffnet wird (Abbildung 5). Der Benutzer sieht das entsprechende Bild in einem separaten Bildüberprüfungsfenster (Abbildung 5). Der Benutzer sieht auch KI-Annotationen, rote Markierungen weisen auf Krebs hin und grüne Markierungen zeigen Gleason 4 an (Abbildung 5).
5. Klicken Sie auf C (Abbildung 5A), um Bild C anzuzeigen, auf D , um Bild D anzuzeigen, usw. Klicken Sie auf das Symbol KI-Feedback in Abbildung 5C , um die Details der KI-Ausgaben anzuzeigen (Abbildung 6).

Ergebnisse

In diesem Abschnitt werden zwei Anwendungsfälle vorgestellt, um zu demonstrieren, wie die KI Pathologen bei der Bewertung von Bildern und der Bereitstellung diagnostischer Eingaben unterstützen kann.

Diagnose von Prostatakrebs (Abbildung 7): Histopathologische Beurteilung der Prostatabiopsie mit Krebs, einschließlich Tumorlänge und -prozentsatz, Gleason-Scores (3, 4 und 5), Prozentsatz von Gleason 4 und 5 usw. Diese Informationen werden dann verwendet, um die Patienten in 4 Gradgruppen (1 bis 4) einzuteilen, wobei 4 der aggressivste Prostatakrebs ist ^4,5. Diese Informationen müssen in den Pathologiebericht aufgenommen werden. daher ist es ein perfektes Beispiel, um die KI-gestützte Pathologiediagnose zu veranschaulichen.

In diesem Beispiel wurden die Objektträger mit Prostatabiopsie zunächst mit dem Hämatoxylin-Eosin (H&E)-Verfahren gefärbt. Das gefärbte Objektträger wurde dann digitalisiert, um ein ganzes Objektträgerbild (WSI) zu erzeugen, das über eine direkte Schnittstelle zwischen dem Scannercomputer und der Software in das System hochgeladen wurde (Abbildung 7). Nach dem Hochladen verarbeitet ein KI-gestütztes Modell die Markierung, identifiziert und markiert jede Entität, einschließlich der Probenquelle (z. B. Prostata) und der Art der Färbung (z. B. H&E). Dieses Modell bestimmt, ob es sich bei dem Bild um eine H&E-gefärbte Prostatabiopsie handelt. Ist dies der Fall, analysiert ein anderes KI-basiertes Modell das Bild und generiert auf Basis der Analyse Feedback oder Ausgaben (Abbildung 7A). Dieses KI-basierte Modell ist auch in der Lage, immunhistochemische PIN4-Färbungen vorzubestellen, um Pathologen bei der Bestätigung des Vorhandenseins kleiner Tumorbereiche zu unterstützen (Abbildung 3).

Dieses Modell wurde mit über 1700 Prostata-Ganzkörperbildern (WSI) trainiert, die von einem Team erfahrener Pathologen pixelweise kommentiert wurden. Im Anschluss an die Annotation von WSIs wird ein Deep-Learning-Modell angewendet, um Prostatagewebekacheln in vier Kategorien zu klassifizieren: Benign, Gleason3, Gleason4 und Gleason5. Wie in Abbildung 5 dargestellt, werden kachelbasierte Ausgaben aggregiert, um eine Maske für die gesamte Folie zu erstellen, die krebsartige Regionen hervorhebt: Krebs (rot), Gleason4 (grün) und Gleason5 (blau; Abbildung 6). Zusätzlich zu diesen Masken generierte das KI-Modell eine endgültige Markierung (Krebs oder gutartig) für den Prostata-WSI. Diese Klassifizierung basiert auf morphologischen Merkmalen wie den Flächen von Gleason3, Gleason4 und Gleason5, der Sicherheit der Gleason3-, Gleason4- und Gleason5-Masken und anderen Faktoren. Die Leistungsfähigkeit unseres aktuellen Prostatamodells zur Erkennung von Prostatakrebs wurde durch die Verwendung eines unabhängigen Satzes von 1.000 WSIs bestätigt, die während der Modellentwicklung oder -validierung nicht verwendet wurden. Jede Folie im Validierungssatz ist entweder als gutartig oder als Krebs gekennzeichnet. Das trainierte Modell weist jeder Folie auch eine Beschriftung zu, wie beschrieben. Durch den Vergleich der Ground-Truth-Labels mit den Vorhersagen des Modells wurden Leistungsmetriken wie Genauigkeit, Sensitivität, Spezifität und F1-Score berechnet, wie in Tabelle 1 dargestellt. Die Ergebnisse deuten darauf hin, dass das trainierte Modell vergleichbar mit anderen Prostata-KI-Modellen abschneidet⁶.

Zusätzlich zu den Gleason-Scores ist das KI-Modell in der Lage, die Tumorlänge und den Prozentsatz sowie die Gradgruppe zu bestimmen (Abbildung 7). Darüber hinaus ist das KI-Modell auch in der Lage, NCCN-Risikogruppen-basierte Pathologie und klinische Informationen zu berechnen, sofern diese bereitgestellt werden (Abbildung 7A). In FlexLIS ist die KI in der Lage, alle diagnostischen Informationen in den Pathologiebericht zu transkribieren, so dass Pathologen sie nicht manuell in den Bericht eingeben müssen (Abbildung 7B). Obwohl der gesamte KI-Prozess im Hintergrund abgeschlossen wird und für Pathologen nicht sichtbar ist, sind die KI-Analyseergebnisse und das gleiche Bild für Pathologen sichtbar, die entscheiden können, ob sie die KI-Ergebnisse im Pathologiebericht behalten oder ändern (Abbildung 7B).

Urinzytologie für die Blasenkrebsvorsorge: Die Urinzytologie ist die primäre nicht-invasive Methode für die Früherkennung, Diagnose und Überwachung von Blasenkrebs⁷. Die Urinzytologie klassifiziert die Patienten in vier Kategorien: negativ für hochgradiges Urothelkarzinom, atypische Urothelzellen, verdächtig für hochgradiges Urothelkarzinom und hochgradiges Urothelkarzinom⁸. Die Überprüfung der Urinzytologie erfordert Erfahrung und Geschick und ist sehr zeitaufwändig. Daher ist das KI-gestützte Urinzytologie-Screening sehr gefragt. Dieser Fall stellt eine Einzelzellbewertung durch KI dar.

Die Untersuchung von Urin-Zytologie-Objektträgern kann für Pathologen ein arbeits- und zeitaufwändiger Prozess sein. Es erfordert das akribische Absuchen großer Felder und häufiges Vergrößern und Verkleinern, um seltene, diagnostisch bedeutsame Zellen zu lokalisieren, was oft einer Suche nach der Nadel im Heuhaufen ähnelt. Dieser manuelle Ansatz erfordert nicht nur viel Zeit und Konzentration, sondern trägt auch zur diagnostischen Ermüdung und potenziellen Variabilität der Interpretationen bei. Um diesen Prozess zu vereinfachen, wurde das in FlexLIS integrierte KI-basierte Urinzytologiemodell entwickelt, um Pathologen bei der automatischen Erkennung und Klassifizierung einer Vielzahl von Zelltypen in Urinproben zu unterstützen. Das Modell ist in der Lage, die folgenden Kategorien zu identifizieren: HGUC (hochgradige Urothelkarzinomzellen), verdächtige Zellen (Urothelzellen mit ausgeprägten Anomalien, die auf eine Malignität hindeuten, aber nicht endgültig diagnostisch sind), atypische Urothelzellen, Erythrozyten (Rote Blutkörperchen), Kristalle, Lymphozyten, polymorphe Zellen, Polyomaviren, Nierentubularzellen, Spermien, Plattenepithelzellen, normale Urothelzellen, Hefe und andere. Um die Benutzerfreundlichkeit weiter zu verbessern, werden die diagnostisch signifikanten Kategorien - HGUC, atypische Urothelzellen und verdächtige Zellen - durch unterschiedliche Farben hervorgehoben (Abbildung 8), so dass sich Pathologen schnell auf interessante Bereiche konzentrieren können, ohne dass ein umfassendes manuelles Scannen erforderlich ist.

Darüber hinaus quantifiziert das KI-Modell die Anzahl der Zellen in jeder erkannten Kategorie und integriert diese Daten nahtlos in die Ausgabe (Abbildung 8). Diese Befunde werden automatisch in den Pathologiebericht übertragen, so dass sich der Pathologe ausschließlich auf die Überprüfung, Verifizierung und Fertigstellung des Falls konzentrieren kann. Dies verbessert die Diagnoseeffizienz erheblich, reduziert den manuellen Arbeitsaufwand und fördert die Konsistenz und Genauigkeit in allen Berichten.

Um das KI-Modell zu trainieren, wurden 500 Regionen nach dem Zufallsprinzip aus 150 Ganzdiabildern von Urinzytologieproben ausgewählt. Erfahrene Zytopathologen annotierten Zellen innerhalb dieser Regionen manuell in 14 vordefinierte Kategorien, wie zuvor beschrieben, was zu über 30.000 annotierten Zellen führte. Regionen von 80 % der Folien wurden für das Training verwendet, während die restlichen 20 % für die Validierung reserviert waren. Anschließend wurde ein Objekterkennungsmodell trainiert und bewertet, um Zellen in den definierten Kategorien genau zu identifizieren und zu klassifizieren.

Neben Prostata- und Urinzytologiemodellen ist auch das Gastroenterologie-KI-Modell in der Software verfügbar. Weitere Modelle, darunter Blasenkrebs und Lungenkrebs, befinden sich in der Entwicklung.

Abbildung 1: Arbeitsablauf in der Pathologie. (A) Traditioneller Arbeitsablauf in der Pathologie. (B) Arbeitsablauf in der digitalen Pathologie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 2: Anmeldefenster. Geben Sie die E-Mail-Adresse in das E-Mail-Feld ein. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Fenster Beitrittsliste. (A) Die linke Seitenleiste zeigt verschiedene Benutzeroptionen an. (B) Zugangsfilter zum Suchen und Sortieren der Fälle. (C) Beitrittsliste mit den Informationen zu jedem Fall, einschließlich Zugangsnummer, Name des Patienten, Fallstatus, Anzahl und Qualität der Bilder usw. In diesem Fall wurden dem Benutzer 4 Fälle zugeordnet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 4: Fenster zur Überprüfung durch den Pathologen. (A) Fallinformationen, einschließlich des Status des Falls. (B) Die Tabelle "Probenzusammenfassung" enthält eine Zusammenfassung jeder Probe, einschließlich Standort, Diagnose und Kommentare. (C) Probeninformationen liefern zusätzliche Informationen über die Probe. (D) Case Control Panel zum Navigieren im Fall. Das rechte Diagramm zeigt die Prostatabiopsiestellen und die AI-Ergebnisse (rot-Krebs, orange-ASAP und schwarz-gutartig). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 5: Fenster "Bildüberprüfung". (A) Die Bildbibliothek (linke Seitenleiste) listet alle Proben alphabetisch mit Informationen zu Fleckentyp und -status auf. (B) Symbolleiste (oben) zum Verschieben, Kommentieren und Freigeben der Bilder. (C) Fallinformationen/KI (rechte Seitenleiste) zum Abgeben von Kommentaren, Kommunizieren mit Mitarbeitern und Anzeigen von KI-Feedback/-Ausgaben. Bei diesem Fall handelt es sich um eine Prostatabiopsie mit Prostatakrebs, der durch KI maskiert wurde (roter Krebs und grüner Gleason 4). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 6: KI-Ausgaben. (A) Histologie-Bild. (B) KI-Feedback, d. h. KI-Bewertung des Bildes, einschließlich Tumorlänge, Gleason-Score, Gradgruppe usw. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 7: Das Prostata-KI-Modell bewertet automatisch das Bild der Prostatabiopsie und hilft bei der Erstellung von Pathologieberichten. (A) Nach der Analyse der Bilder im IMS. (B) Die KI gibt die Ergebnisse in den Pathologiebericht aus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 8: KI-Bewertung des Urinzytologie-Objektträgers. Abnorme Urothelzellen wurden rot (hochgradige Urothelkarzinomzellen) und rosa (verdächtige Zellen) hervorgehoben. Die KI-Ergebnisse werden in der Einfügung (rechte obere Ecke) angezeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Genauigkeit	Präzision	Empfindlichkeit	Spezifität	F1-Punktzahl
97%	96%	98%	96%	97%

Tabelle 1: Leistungsfähigkeit des Prostata-KI-Modells zur Detektion von Adenokarzinomen in Prostatabiopsien.

Diskussion

Die erfolgreiche und genaue Anwendung von FlexLIS beruht auf mehreren kritischen Schritten innerhalb des Prozesses, die als präanalytische, analytische und postanalytische Faktoren definiert werden können¹. Der wichtigste präanalytische Faktor ist die Bildqualität, die durch digitale Scanner, Objektträgeretiketten und Flecken beeinflusst wird. Eine schlechte Qualität der Bilder wirkt sich erheblich auf die Bildbewertung und die KI-Leistung aus. Zu den analytischen Faktoren gehören die Internetgeschwindigkeit, die Qualität der Bildanzeige (Pixel und Auflösung), die Stabilität der Software und die korrekte Bedienung durch die Benutzer. Zu den postanalytischen Faktoren gehören die Speicherung und Aufbewahrung von Bildern, die Bildsicherung, die Ausfallsicherheit, die Datensicherheit und die HIPAA-Konformität¹. Da die Software von Pathologen für Pathologen entwickelt wurde, können viele potenzielle analytische Fehler, die in der täglichen Praxis auftreten, einschließlich Fehlbedienungen, von der Software erkannt und gekennzeichnet werden, um sicherzustellen, dass diese Fehler korrigiert werden, bevor zum nächsten Schritt übergegangen wird. Wenn z. B. ein Bild nicht überprüft und die Diagnose nicht eingegeben wird (Abbildung 4), kann der Fall nicht abgeschlossen werden.

Während die Software den Arbeitsablauf erheblich rationalisiert, können gelegentliche Anpassungen oder Fehlerbehebungen erforderlich sein. So kann es beispielsweise zu Diskrepanzen zwischen den Einschätzungen der KI und den Interpretationen des Pathologen kommen. Diese Unterschiede können sich aus Faktoren wie der Bildqualität, Variationen in den Objektträgerfärbetechniken oder dem Vorhandensein seltener Tumorarten und histopathologischer Muster ergeben, die in den anfänglichen Trainingsdatensätzen unterrepräsentiert waren. Um diese Herausforderungen anzugehen, wird ein Human-in-the-Loop-Ansatz verwendet, bei dem Pathologen Feedback an das KI-Modell geben. Dieses Feedback wird verwendet, um das Modell regelmäßig mit neuen und vielfältigeren Trainingsdaten zu aktualisieren und so seine Genauigkeit und Generalisierbarkeit im Laufe der Zeit zu verbessern. Dadurch wird sichergestellt, dass sich das System auf der Grundlage realer klinischer Erfahrungen weiterentwickelt und verbessert.

Obwohl über jedes LIS⁹-, IMS- und AI^10-System bereits zuvor berichtet wurde, zeichnet sich FlexLIS als integriertes System aus, über das unseres Wissens bisher noch nicht berichtet wurde. Noch wichtiger ist, dass dieses integrierte System, einschließlich seiner KI-Modelle, täglich in mehreren Pathologiepraxen eingesetzt wird und seinen Nutzen und seine Zuverlässigkeit unter Beweis gestellt hat. Ein solches System ist für den Einsatz in routinemäßigen Pathologielabors konzipiert und unterstützt daher die Handhabung und Berichterstattung einer Vielzahl von pathologischen Proben, einschließlich Prostata, Blase, Brust, Lunge, GI, Gynäkologie usw. Dieses System verfügt über mehrere KI-basierte Qualitätskontrollfunktionen, darunter die Erkennung und Kennzeichnung von Artefakten in den Bildern (verschwommenes und fehlendes Gewebe), die sich auf die diagnostische Genauigkeit auswirken können. Schließlich ist dieses System sehr flexibel und kann auf die spezifischen Bedürfnisse jedes einzelnen Labors zugeschnitten werden.

Die zukünftigen Anwendungen dieses integrierten LIS/IMS/KI-Systems sind sehr breit gefächert und umfassen klinische Dienstleistungen, biomedizinische Forschung und die Ausbildung von Medizinstudenten/Assistenzärzten. Es bietet ein separates Forschungsmodul, das sicherstellt, dass hohe Standards in der Forschung erfüllt werden, einschließlich derer, die vom Institutional Review Board gefordert werden, wie z. B. 1) De-Identifikation der Bilder durch Ausblenden des ursprünglichen Folienetiketts, das die Patienten-ID enthält, und Zuweisung einer neuen Forschungs-ID; 2) Sortieren und Anordnen von Folien und Fällen nach Bedarf des Studiendesigns; 3) Aufzeichnen und Verfolgen der Diagnosen und Kommentare der Teilnehmer zur Datenanalyse und Zusammenfassung usw.

Sein Nutzen in der Bildung wird durch unser laufendes Bewohnerschulungsprojekt¹¹ belegt, das darauf hinweist, dass KI-Unterstützung die Genauigkeit der Assistenzärzte bei der Identifizierung wichtiger histopathologischer Merkmale erhöhen kann. Mehrere Funktionen innerhalb der hier beschriebenen Software, darunter das benutzerfreundliche IMS und eine große Anzahl von Bildern im System, der kontrollierbare Zugriff auf KI-Masken und Anmerkungen, integrierte pathologiespezifische ChatGPT-Funktionen und die sichere und bequeme Möglichkeit zum Teilen von Fällen, machen es zu einer nützlichen Plattform sowohl für selbstgesteuertes Lernen als auch für mentorengeführtes Training.

Derzeit steht die Software vor mehreren Einschränkungen und Herausforderungen, wie jede andere KI-basierte Bildverwaltungsplattform¹. Herausforderungen bei der Integration, einschließlich der Schnittstelle zu vorhandener EMR, der Speicherung und des Abrufs großer Bilder usw., sollten bei der Implementierung berücksichtigt werden. Die Generalisierbarkeit von KI-Modellen über verschiedene Einrichtungen, Scanner, Färbeprotokolle und Patientenpopulationen hinweg sowie die Empfindlichkeit gegenüber Bildartefakten, Variabilität der Gewebepräparation und seltenen Histologiemustern sind einige Einschränkungen, die mit KI-Modellen in der Pathologie verbunden sind. Schließlich ist die Interoperabilität aufgrund der Fragmentierung von Datenformaten, diagnostischer Terminologie und plattformspezifischen Tools eine weitere Herausforderung für KI-Systeme in der Pathologie.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
FlexLIS	Novino KI