Introducción de un sistema integrado de gestión de imágenes de patología, inteligencia artificial y generación de informes

Resumen

La gestión integrada de imágenes, la inteligencia artificial (IA) y los sistemas de informes han revolucionado la práctica del diagnóstico de patologías. En este artículo, presentamos FlexLIS, un sistema de última generación que permite a la IA ayudar a los patólogos a realizar evaluaciones de imágenes histopatológicas y generar informes de diagnóstico.

Resumen

El desarrollo de sistemas de informes electrónicos (LIS), sistemas de gestión de imágenes (IMS) y modelos de IA ha revolucionado las prácticas de patología. Al integrar IMS avanzado y sofisticados algoritmos de IA, estos sistemas agilizan aún más el proceso de diagnóstico, lo que permite diagnósticos más precisos y eficientes. FlexLIS es un software de patología digital de última generación que incorpora modelos de IA para el análisis de imágenes y transcribe los resultados generados por IA en informes completos de patología. Este sistema integrado con IA también puede respaldar el control de calidad (QC), solicitar tintes especiales para casos difíciles y facilitar las consultas. Como resultado, tiene el potencial de mejorar la precisión diagnóstica y el flujo de trabajo de los patólogos. En este artículo, proporcionamos un protocolo conciso para patólogos sobre cómo usar el software para revisar imágenes de portaobjetos y generar informes de patología. También discutimos su aplicación en el diagnóstico del cáncer de próstata mediante la biopsia con aguja gruesa de próstata y el cribado del cáncer de vejiga a través de la citología de orina, mostrando la versatilidad y el impacto de la plataforma en las prácticas clínicas.

Introducción

La patología diagnóstica es una importante especialidad médica que realiza el diagnóstico de enfermedades mediante el examen de los tejidos obtenidos de los pacientes. Se procesan muestras de tejido y se colocan secciones delgadas de tejido en portaobjetos de vidrio, que luego se tiñen con productos químicos como hematoxilina y eosina (H&E). Tradicionalmente, los patólogos examinan el tejido teñido en portaobjetos de vidrio bajo microscopios y emiten informes de diagnóstico a través de programas informáticos, es decir, sistemas de información de laboratorio (LIS; Figura 1A). En la última década, la patología digital se ha introducido gradualmente en la práctica de la patología, donde los portaobjetos de vidrio se digitalizaban escaneando el portaobjetos de vidrio para producir una imagen completa del portaobjetos (WSI)¹. Los patólogos solo necesitan revisar las imágenes de portaobjetos utilizando un sistema de gestión de imágenes (IMS) para emitir diagnósticos, lo que afecta significativamente el flujo de trabajo de la práctica de la patología (Figura 1B). Más recientemente, la inteligencia artificial (IA) con aprendizaje automático profundo de imágenes histopatológicas digitalizadas ofrece una oportunidad potencial para mejorar la precisión diagnóstica y la eficiencia de los patólogos ^1,2.

Debido a la introducción y el desarrollo de LIS, IMS e IA de patología en diferentes períodos de tiempo, estos sistemas son suministrados por diferentes proveedores y funcionan de forma independiente. En la actualidad, los patólogos tienen que trabajar con dos sistemas separados, es decir, el LIS para informar sobre los diagnósticos y el IMS para revisar las imágenes¹. Además, los modelos actuales de IA están diseñados para funcionar mejor con IMS, pero no con LIS³. La incompatibilidad de LIS, IMS e IA tiene un impacto significativo en el desarrollo y la implementación de modelos de patología digital e IA en la práctica rutinaria de la patología. Es ideal e importante contar con un sistema integrado que combine LIS e IMS para que la IA pueda revisar imágenes en IMS y generar informes de patología en LIS.

Por lo tanto, nuestro objetivo es desarrollar un sistema LIS/IMS/AI integrado y basado en la nube que permita a los patólogos acceder a las imágenes y emitir informes en cualquier momento y en cualquier lugar. Además, los modelos de IA interactúan sin problemas entre IMS y LIS, de modo que los resultados de la evaluación de IA de imágenes en IMS se pueden transcribir automáticamente en los informes de patología en LIS. Los patólogos solo necesitan revisar la imagen en IMS y confirmar el diagnóstico en LIS sin entrada manual. En este artículo, presentamos el protocolo para que los patólogos utilicen FlexLIS y demostramos las aplicaciones en el mundo real del análisis de imágenes asistido por IA y la generación de informes en el diagnóstico del cáncer de próstata y la citología de orina para el cribado del cáncer de vejiga.

Protocolo

FlexLIS se diseñó con un estricto cumplimiento de los estándares de privacidad de datos y los marcos regulatorios, incluida la Ley de Portabilidad y Responsabilidad de Seguros Médicos (HIPAA). Todos los datos de los pacientes procesados dentro del sistema se cifran tanto en reposo como en tránsito utilizando protocolos estándar de la industria.

1. Configuración de la cuenta

1. Abra el navegador web. Escriba continuar (figura 2). Se envía un correo electrónico al usuario.
2. Vaya al correo electrónico y haga clic en el Enlace para iniciar sesión, que abrirá la ventana Lista de accesión (Figura 3).

2. Digitalización de portaobjetos de vidrio

1. Encienda el escáner digital y cargue los portaobjetos de vidrieras anteriores (es decir, hematoxilina y eosina) en el escáner.
2. Presione Iniciar para iniciar el escaneo de portaobjetos de vidrio. Las imágenes se cargarán automáticamente en el sistema mediante una interfaz directa y se organizarán en un formato de caso, como suelen ver los patólogos en la bandeja de portaobjetos.

3. Análisis de datos

1. Consulte la lista de casos en la ventana de la Lista de accesión (Figura 3 y Figura 4) y las imágenes correspondientes en la ventana de Revisión de imágenes (Figura 5 y Figura 6).
   NOTA: El software utiliza los siguientes puntos de referencia para medir la usabilidad del usuario: tasa de éxito de la tarea, tiempo dedicado a la tarea, tasa de error, número de acciones por tarea, escala de usabilidad del sistema (SUS) y satisfacción del usuario a través de estudios y entrevistas de usuarios. Utilizamos Datadog para el monitoreo de usuarios en tiempo real (RUM) y para monitorear errores de aplicaciones.
2. En la ventana Lista de accesión, el usuario ve la lista de casos asignados (Figura 3C). Haga clic en el botón de flecha hacia abajo delante de la caja (PN24-00004) para ver las manchas ordenadas por el personal y la IA (PIN4 en este caso). Un punto verde en el icono del microscopio indica la finalización del análisis de IA (Figura 2C). Un punto rojo delante del número de accesión indica que la IA ha detectado cáncer en la imagen (Figura 2C). Revisado/Listo/Total indica el número total de imágenes en cada categoría. ¡El! después del número de imagen indica la evaluación de la IA de la calidad de la imagen (es decir, imágenes faltantes o borrosas).
3. Haga clic en el icono Usuario delante del caso PN24-00004 , que lleva al usuario a la ventana Revisión del patólogo (Figura 4). Todos los especímenes se enumeran alfabéticamente (Figura 4B) en la Tabla Resumen de Especímenes. El usuario ve los resultados del análisis de IA para cada espécimen, incluido el diagnóstico (benigno, HGPIN, ASAP, cáncer) y la descripción (puntuaciones de Gleason, longitud del tumor y grupo de grado; Figura 4B). Los usuarios también ven los resultados de la IA en un diagrama (rojo-cáncer, naranja-ASAP y negro-benigno; Figura 4B).
4. Haga clic en el icono de microscopio a la izquierda para ir a B (Figura 4B), que abre la ventana de revisión de imágenes (Figura 5). El usuario ve la imagen correspondiente en una ventana de revisión de imagen independiente (Figura 5). El usuario también ve anotaciones de IA, los resaltados rojos indican cáncer y los resaltados verdes indican Gleason 4 (Figura 5).
5. Haga clic en C (Figura 5A) para ver la imagen C, haga clic en D para ver la imagen D, etc. Haga clic en el icono Comentarios de IA en la Figura 5C para ver los detalles de las salidas de IA (Figura 6).

Resultados

En esta sección, se presentan dos casos de uso para demostrar cómo la IA puede ayudar a los patólogos a evaluar imágenes y proporcionar información diagnóstica.

Diagnóstico de cáncer de próstata (Figura 7): Valoración histopatológica de la biopsia de próstata con cáncer, incluyendo longitud y porcentaje del tumor, puntuaciones de Gleason (3, 4 y 5), porcentaje de Gleason 4 y 5, etc. Esta información se utiliza para clasificar a los pacientes en 4 grupos de grado (1 a 4), siendo el 4 el cáncer de próstata más agresivo ^4,5. Esta información debe incluirse en el informe de patología; por lo tanto, es un ejemplo perfecto para ilustrar el diagnóstico de patologías asistido por IA.

En este ejemplo, los portaobjetos de vidrio con biopsia de próstata se tiñeron inicialmente con el procedimiento de hematoxilina-eosina (H&E). A continuación, el portaobjetos teñido se digitalizó para generar una imagen completa del portaobjetos (WSI), que se cargó en el sistema a través de una interfaz directa entre el ordenador del escáner y el software (Figura 7). Una vez cargada, un modelo impulsado por IA procesa la etiqueta, identifica y etiqueta cada entidad, incluida la fuente de la muestra (es decir, la próstata) y el tipo de tinción (es decir, H&E). Este modelo determina si la imagen es una biopsia de próstata teñida con H&E. Si es así, otro modelo basado en IA analiza la imagen y genera comentarios o salidas basadas en el análisis (Figura 7A). Este modelo basado en IA también es capaz de solicitar previamente tinciones inmunohistoquímicas de PIN4 para ayudar a los patólogos a confirmar la presencia de pequeñas áreas tumorales (Figura 3).

Este modelo se entrenó con más de 1700 imágenes de portaobjetos completos de próstata (WSI) que fueron anotadas en píxeles por un equipo de patólogos experimentados. Siguiendo la anotación de WSIs, se aplica un modelo de aprendizaje profundo para clasificar las baldosas de tejido prostático en cuatro categorías: Benigno, Gleason3, Gleason4 y Gleason5. Como se muestra en la Figura 5, las salidas basadas en mosaicos se agregan para crear una máscara de diapositiva completa que resalte las regiones cancerosas: Cáncer (rojo), Gleason4 (verde) y Gleason5 (azul; Figura 6). Además de estas mascarillas, el modelo de IA generó una etiqueta final (Cáncer o Benigno) para la WSI de próstata. Esta clasificación se basa en características morfológicas como las áreas de Gleason3, Gleason4 y Gleason5, la certeza de las máscaras Gleason3, Gleason4 y Gleason5, y otros factores. El rendimiento de nuestro modelo de próstata actual para la detección del cáncer de próstata se confirmó mediante el uso de un conjunto independiente de 1.000 WSI que no se utilizaron durante el desarrollo o la validación del modelo. Cada portaobjetos del conjunto de validación está etiquetado como Benigno o Canceroso. El modelo entrenado también asigna una etiqueta a cada diapositiva, tal y como se describe. Al comparar las etiquetas de realidad fundamental con las predicciones del modelo, se calcularon métricas de rendimiento como precisión, sensibilidad, especificidad y puntuación F1, como se presenta en la Tabla 1. Los resultados indican que el modelo entrenado tiene un rendimiento comparable al de otros modelos de IA prostática⁶.

Además de las puntuaciones de Gleason, el modelo de IA es capaz de determinar la longitud y el porcentaje del tumor, así como el grupo de grado (Figura 7). Además, el modelo de IA también es capaz de calcular la patología basada en el grupo de riesgo de la NCCN y la información clínica si se proporciona (Figura 7A). En FlexLIS, la IA es capaz de transcribir toda la información diagnóstica en el informe de patología, de modo que los patólogos no tienen que introducirla manualmente en el informe (Figura 7B). Aunque todo el proceso de IA se completa en segundo plano y no es visible para los patólogos, los resultados del análisis de IA y la misma imagen son visibles para los patólogos, que pueden decidir mantener o cambiar los resultados de la IA en el informe de patología (Figura 7B).

Citología de orina para la detección del cáncer de vejiga: La citología de orina es el principal método no invasivo para la detección, el diagnóstico y el seguimiento del cáncer de vejiga⁷. La citología de orina clasifica a los pacientes en cuatro categorías: negativos para carcinoma urotelial de alto grado, células uroteliales atípicas, sospechosos de carcinoma urotelial de alto grado y carcinoma urotelial de alto grado⁸. La revisión de la citología de orina requiere experiencia y habilidad, y requiere mucho tiempo. Por lo tanto, el cribado de citología de orina asistido por IA es muy demandado. Este caso presenta una evaluación de una sola célula por IA.

El examen de los portaobjetos de citología de orina puede ser un proceso laborioso y lento para los patólogos. Requiere un escaneo meticuloso de campos amplios y con frecuencia acercarse y alejarse para localizar células raras y diagnósticamente significativas, que a menudo se asemejan a la búsqueda de una aguja en un pajar. Este enfoque manual no solo exige un tiempo y una concentración considerables, sino que también contribuye a la fatiga diagnóstica y a la posible variabilidad de las interpretaciones. Para agilizar este proceso, se ha desarrollado el modelo de citología de orina basado en IA integrado en FlexLIS para ayudar a los patólogos mediante la detección y clasificación automática de una amplia gama de tipos de células en muestras de orina. El modelo es capaz de identificar las siguientes categorías: HGUC (células de carcinoma urotelial de alto grado), sospechosas (células uroteliales con anomalías marcadas sugestivas de malignidad pero no diagnósticas definitivas), células uroteliales atípicas, glóbulos rojos (glóbulos rojos), cristales, linfocitos, células polimorfas, virus del polioma, células tubulares renales, espermatozoides, células escamosas, células uroteliales normales, levaduras, y otras. Para mejorar aún más la usabilidad, las categorías diagnósticamente significativas (HGUC, células uroteliales atípicas y sospechosas) se resaltan con colores distintos (Figura 8), lo que permite a los patólogos centrarse rápidamente en las áreas de interés sin necesidad de una exploración manual exhaustiva.

Además, el modelo de IA cuantifica el número de celdas en cada categoría detectada e integra sin problemas estos datos en la salida (Figura 8). Estos hallazgos se transcriben automáticamente en el informe de patología, lo que permite al patólogo centrarse únicamente en revisar, verificar y finalizar el caso. Esto mejora en gran medida la eficiencia del diagnóstico, reduce la carga de trabajo manual y promueve la coherencia y la precisión en todos los informes.

Para entrenar el modelo de IA, se seleccionaron aleatoriamente 500 regiones de 150 imágenes de portaobjetos completos de muestras de citología de orina. Los citopatólogos expertos anotaron manualmente las células dentro de estas regiones en 14 categorías predefinidas, como se describió anteriormente, lo que resultó en más de 30,000 células anotadas. Las regiones del 80% de las diapositivas se utilizaron para la formación, mientras que el 20% restante se reservó para la validación. A continuación, se entrenó y evaluó un modelo de detección de objetos para identificar y clasificar con precisión las células en las categorías definidas.

Además de los modelos de citología de próstata y orina, el modelo de IA de gastroenterología también está disponible en el software. Otros modelos, como el cáncer de vejiga y el cáncer de pulmón, están en proceso de desarrollo.

Figura 1: Flujo de trabajo de patología. (A) Flujo de trabajo tradicional de patología. (B) Flujo de trabajo de patología digital. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Ventana de inicio de sesión. Ingrese el correo electrónico en el cuadro de correo electrónico. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Ventana de la lista de accesión. (A) La barra lateral izquierda indica diferentes opciones de usuario. (B) Filtro de acceso para buscar y clasificar los casos. (C) Lista de accesión con la información de cada caso, incluyendo número de accesión, nombre del paciente, estado del caso, número y calidad de las imágenes, etc. En este caso, se asignaron 4 casos al usuario. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Ventana de revisión del patólogo. (A) Información del caso, incluido el estado del caso. (B) La tabla de resumen del espécimen proporciona un resumen de cada espécimen, incluido el sitio, el diagnóstico y los comentarios. (C) La información del espécimen proporciona información adicional sobre el espécimen. (D) Panel de control de casos para navegar por el caso. El diagrama de la derecha indica los sitios de la biopsia de próstata y los resultados de la IA (rojo-cáncer, naranja-ASAP y negro-benigno). Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: Ventana de revisión de imágenes. (A) La biblioteca de imágenes (barra lateral izquierda) enumera todos los especímenes alfabéticamente con información sobre el tipo y el estado de la mancha. (B) Barra de herramientas (arriba) para mover, anotar y compartir las imágenes. (C) Información de casos/IA (barra lateral derecha) para hacer comentarios, comunicarse con el personal y ver comentarios/resultados de IA. Se trata de una biopsia de próstata con cáncer de próstata enmascarado por IA (rojo-cáncer y verde-Gleason 4). Haga clic aquí para ver una versión más grande de esta figura.

Figura 6: Salidas de IA. (A) Imagen histológica. (B) Retroalimentación de IA, es decir, evaluación de IA de la imagen, incluida la longitud del tumor, la puntuación de Gleason, el grupo de grado, etc. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7: El modelo de IA de próstata evalúa automáticamente la imagen de la biopsia de próstata y ayuda a generar informes de patología. (A) Después del análisis de las imágenes en IMS. (B) La IA envía los resultados al informe de patología. Haga clic aquí para ver una versión más grande de esta figura.

Figura 8: Evaluación con IA del portaobjetos de citología urinaria. Las células uroteliales anormales se resaltaron en rojo (células cancerosas uroteliales de alto grado) y rosas (células sospechosas). Los resultados de AI se muestran en el inserto (esquina superior derecha). Haga clic aquí para ver una versión más grande de esta figura.

Exactitud	Precisión	Sensibilidad	Especificidad	Puntuación F1
97%	96%	98%	96%	97%

Tabla 1: Rendimiento del modelo de IA prostática para la detección de adenocarcinoma en biopsias de próstata.

Discusión

La aplicación exitosa y precisa de FlexLIS depende de varios pasos críticos dentro del proceso, que se pueden definir como factores preanalíticos, analíticos y postanalíticos¹. El factor preanalítico más importante es la calidad de la imagen, que se ve afectada por los escáneres digitales, las etiquetas de portaobjetos y las manchas. La mala calidad de las imágenes afecta significativamente a la evaluación de las imágenes y al rendimiento de la IA. Los factores analíticos incluyen la velocidad de Internet, la calidad de la visualización de la imagen (píxeles y resolución), la estabilidad del software y el correcto funcionamiento por parte de los usuarios. Los factores postanalíticos incluyen el almacenamiento y la retención de imágenes, la copia de seguridad de imágenes, la resiliencia, la seguridad de los datos y el cumplimiento de la HIPAA¹. Dado que el software está diseñado por patólogos para patólogos, el software puede detectar y marcar muchos errores analíticos potenciales encontrados en la práctica diaria, incluido el mal funcionamiento, para garantizar que estos errores se corrijan antes de pasar al siguiente paso. Por ejemplo, si no se revisa una imagen y no se ingresa el diagnóstico (Figura 4), no se puede finalizar el caso.

Si bien el software agiliza significativamente el flujo de trabajo, pueden ser necesarios ajustes ocasionales o solución de problemas. Por ejemplo, pueden surgir discrepancias entre las evaluaciones de la IA y las interpretaciones del patólogo. Estas diferencias pueden deberse a factores como la calidad de la imagen, las variaciones en las técnicas de tinción de portaobjetos o la presencia de tipos de tumores raros y patrones histopatológicos que estaban infrarrepresentados en los conjuntos de datos de entrenamiento iniciales. Para abordar estos desafíos, se utiliza un enfoque humano-en-el-circuito, en el que los patólogos proporcionan retroalimentación al modelo de IA. Esta retroalimentación se utiliza para actualizar periódicamente el modelo con datos de entrenamiento nuevos y más diversos, mejorando su precisión y generalizabilidad con el tiempo. Esto garantiza que el sistema siga evolucionando y mejorando en función de la experiencia clínica del mundo real.

Aunque cada sistema LIS⁹, IMS e AI¹⁰ se ha informado anteriormente, FlexLIS se destaca como un sistema integrado que, hasta donde sabemos, no se ha informado anteriormente. Y lo que es más importante, este sistema integrado, incluidos sus modelos de IA, se ha utilizado a diario en varias prácticas de patología y ha demostrado su utilidad y fiabilidad. Dicho sistema está diseñado para ser utilizado en laboratorios de patología de rutina, por lo tanto, admite el manejo y la generación de informes de una variedad de muestras de patología, incluidas próstata, vejiga, mama, pulmón, GI, GYN, etc. Este sistema incorpora varias funciones de control de calidad basadas en IA, incluida la detección y el marcado de artefactos en las imágenes (tejido borroso y faltante), lo que puede afectar la precisión del diagnóstico. Por último, este sistema es muy flexible y se puede adaptar a las necesidades específicas de cada laboratorio.

Las aplicaciones futuras de este sistema integrado LIS/IMS/AI son muy amplias, e incluyen servicios clínicos, investigación biomédica y educación de estudiantes/residentes de medicina. Ofrece un módulo de investigación separado que garantiza el cumplimiento de altos estándares en investigación, incluidos los requeridos por la Junta de Revisión Institucional, como 1) desidentificar las imágenes mediante la eliminación de la etiqueta de diapositiva original que contiene la identificación del paciente y asignar una nueva identificación de investigación; 2) ordenar y organizar las diapositivas y los casos según lo requiera el diseño del estudio; 3) registrar y realizar un seguimiento de los diagnósticos y comentarios de los participantes para el análisis y resumen de datos, etc.

Su utilidad en la educación se evidencia en nuestro proyecto de capacitación continua para residentes¹¹, que indica que la asistencia de IA puede aumentar la precisión de los residentes en la identificación de características histopatológicas clave. Varias características del software descrito aquí, como el IMS fácil de usar y un gran número de imágenes en el sistema, el acceso controlable a las máscaras y anotaciones de IA, las funciones integradas de ChatGPT específicas para patologías y la capacidad de compartir casos de forma segura y cómoda, lo convierten en una plataforma útil tanto para el aprendizaje autodirigido como para la formación guiada por un mentor.

Actualmente, el software se enfrenta a varias limitaciones y desafíos, como cualquier otra plataforma de gestión de imágenes basada en IA¹. Los desafíos de la integración, incluida la interfaz con EMR existente, el almacenamiento y la recuperación de imágenes grandes, etc., deben tenerse en cuenta al implementar. La generalización de los modelos de IA en diferentes instituciones, escáneres, protocolos de tinción y poblaciones de pacientes, así como la sensibilidad a los artefactos de la imagen, la variabilidad de la preparación de tejidos y los patrones histológicos raros, son algunas de las limitaciones asociadas a los modelos de IA en patología. Por último, la interoperabilidad es otro reto de los sistemas de IA patológica debido a la fragmentación de los formatos de datos, la terminología diagnóstica y las herramientas específicas de la plataforma.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
FlexLIS	Novino AI