病理画像管理、人工知能、レポーティングシステムの統合導入

サマリー

統合画像管理、人工知能(AI)、およびレポートシステムは、病理診断の実践に革命をもたらしました。本稿では、病理医が病理組織画像評価を行い、診断レポートを生成するのをAIが支援する最先端のシステムであるFlexLISについて紹介します。

要約

電子報告システム(LIS)、画像管理システム(IMS)、AIモデルの開発は、病理学の実践に革命をもたらしました。これらのシステムは、高度なIMSと高度なAIアルゴリズムを統合することで、診断プロセスをさらに効率化し、より正確で効率的な診断を可能にします。FlexLISは、画像解析のためのAIモデルを組み込み、AIが生成した結果を包括的な病理レポートに転記する最先端のデジタルパソロジーソフトウェアです。このAI統合システムは、品質管理(QC)のサポート、困難な症例に対する特別な汚れの注文、および相談の促進も行うことができます。その結果、病理医の診断精度とワークフローを向上させる可能性があります。このホワイトペーパーでは、病理医がソフトウェアを使用してスライド画像を確認し、病理レポートを生成する方法について、簡潔なプロトコルを提供します。また、前立腺針コア生検を使用した前立腺がんの診断や尿細胞診による膀胱がん検診への応用についても説明し、プラットフォームの汎用性と臨床診療への影響を紹介します。

概要

診断病理学は、患者から得られた組織を検査することにより疾患の診断を行う重要な医療専門分野です。組織サンプルを加工し、組織の薄切片をスライドガラスに載せた後、ヘマトキシリンやエオシン(H&E)などの化学物質で染色します。従来、病理医は顕微鏡でスライドガラス上の染色組織を検査し、コンピューターソフトウェア、つまり実験室情報システム(LIS;図 1A)。過去10年間で、デジタルパソロジーは徐々に病理学の実践に導入され、スライドガラスをスキャンすることでスライドをデジタル化し、スライド全体画像(WSI)¹を生成しました。病理医は、画像管理システム(IMS)を使用してスライド画像を確認するだけで診断を下すことができ、病理学実習のワークフローに大きな影響を与えます(図1B)。最近では、デジタル化された病理組織画像の深層機械学習を備えた人工知能(AI)が、病理医の診断精度と効率を向上させる潜在的な機会を提供しています^1,2。

LIS、IMS、病理AIは異なる時期に導入・開発されているため、これらのシステムは異なるベンダーから供給され、独立して機能しています。現在、病理医は、診断を報告するためのLISと画像のレビューのためのIMSという2つの別々のシステムで作業する必要があります¹。さらに、現在の AI モデルは、IMS でより適切に機能するように設計されていますが、LIS³ では機能しません。LIS、IMS、AIの非互換性は、日常的な病理学診療におけるデジタルパソロジーとAIモデルの開発と実装に大きな影響を与えます。AIがIMSで画像を確認し、LISで病理レポートを生成できるように、LISとIMSを組み合わせた統合システムを持つことは理想的であり、重要です。

したがって、病理医がいつでもどこでも画像にアクセスしてレポートを発行できるようにする、クラウドベースの統合LIS/IMS/AIシステムを開発することが私たちの目標です。さらに、AIモデルはIMSとLISの間でシームレスに相互作用するため、IMSの画像のAI評価の結果をLISの病理レポートに自動的に転記できます。病理医は、IMSで画像を確認し、LISで診断を確認するだけで、手動入力は必要ありません。この記事では、病理医がFlexLISを使用するためのプロトコルを紹介し、前立腺がんの診断と膀胱がんスクリーニングの尿細胞学におけるAI支援画像分析とレポート作成の実際のアプリケーションを示します。

プロトコル

FlexLISは、医療保険の相互運用性と説明責任に関する法律(HIPAA)を含む、データプライバシー基準と規制の枠組みを厳守して設計されています。システム内で処理されるすべての患者データは、業界標準のプロトコルを使用して、保存時と転送時の両方で暗号化されます。

1. アカウントの設定

1. Webブラウザを開きます。 「continue 」と入力します(図2)。ユーザーにメールが送信されます。
2. 電子メールで「 Link 」をクリックしてサインインすると、「Accession List」ウィンドウが開きます(図3)。

2. スライドガラスのデジタル化

1. デジタルスキャナーの電源を入れ、以前にステンドグラスのスライド(ヘマトキシリンとエオシン)をスキャナーにロードします。
2. [開始]を押して、スライドガラスのスキャンを開始します。画像は、直接インターフェースによってシステムに自動的にアップロードされ、病理医が通常スライドトレイで見るようにケース形式で配置されます。

3. データ分析

1. 「Accession List」ウィンドウ (図 3 および 図 4) のケースのリストと、「Image Review」ウィンドウ (図 5 および 図 6) の対応する画像を参照してください。
   注:ソフトウェアは、タスクの成功率、タスクの時間、エラー率、タスクあたりのアクション数、システムユーザビリティスケール(SUS)、およびユーザー調査とインタビューによるユーザー満足度のベンチマークを使用して、ユーザーの使いやすさを測定します。Datadogは、リアルタイムユーザーモニタリング(RUM)とアプリケーションエラーの監視に使用しています。
2. 「アクセッション・リスト」ウィンドウに、割り当てられたケースのリストが表示されます (図 3C)。ケース(PN24-00004)の前にある 下矢印 ボタンをクリックすると、スタッフとAI(この場合はPIN4)が注文した汚れが表示されます。顕微鏡のアイコン上の緑色の点は、AI解析が完了したことを示しています(図2C)。アクセッション番号の前の赤い点は、AIによって画像で検出されたがんを示しています(図2C)。レビュー済み/準備完了/合計は、各カテゴリの画像の合計数を示します。ザ！画像番号の後ろのマークは、AIによる画質の評価を示します(つまり、画像の欠落やぼやけ)。
3. ケースPN24-00004の前にある [ユーザー ]アイコンをクリックすると、[Pathologist Review]ウィンドウが表示されます(図4)。すべての標本は、標本サマリーテーブルにアルファベット順(図4B)に記載されています。ユーザーは、診断(良性、HGPIN、ASAP、がん)と説明(グリーソンスコア、腫瘍の長さ、グレードグループ)を含む各検体のAI分析結果を確認します。 図4B)。ユーザーは、AIの結果を図(赤-癌、オレンジ-ASAP、および黒-良性; 図4B)。
4. Bの左側にある [Microscope ]アイコン(図4B)をクリックすると、[Image Review]ウィンドウが開きます(図5)。ユーザーは、対応する画像を別の [Image Review] ウィンドウに表示します (図 5)。また、AIの注釈、赤色のハイライトはがん、緑のハイライトはGleason 4を示します(図5)。
5. 画像 C を表示するには C(図 5A)をクリックし、画像 D を表示するには D をクリックします。図5Cの[AI Feedback]アイコンをクリックすると、AI出力の詳細が表示されます(図6)。

結果

このセクションでは、AIが病理医が画像を評価し、診断入力を提供するのをどのように支援できるかを示すために、2つのユースケースを示します。

前立腺がんの診断(図7):がんによる前立腺生検の組織病理学的評価(腫瘍の長さと割合、グリソンスコア(3、4、5)、グリソン4と5の割合など)次に、この情報は患者を4つのグレードグループ(1〜4)に分類するために使用され、4が最も侵攻性の高い前立腺がん^です4,5。この情報は、病理レポートに含める必要があります。したがって、AI支援の病理診断を説明するのに最適な例です。

この例では、前立腺生検を施したスライドガラスを最初にヘマトキシリン-エオシン(H&E)法で染色しました。次に、染色されたスライドをデジタル化して全体のスライド画像(WSI)を生成し、スキャナーコンピューターとソフトウェア間の直接インターフェースを介してシステムにアップロードしました(図7)。アップロードされると、AIを搭載したモデルがラベルを処理し、標本源(前立腺など)や染色タイプ(H&Eなど)を含むすべてのエンティティを識別してタグ付けします。このモデルは、画像がH&E染色された前立腺生検であるかどうかを判断します。そうであれば、別のAIベースのモデルが画像を分析し、その分析に基づいてフィードバックまたは出力を生成します(図7A)。このAIベースのモデルは、PIN4免疫組織化学染色剤を事前注文して、病理医が小さな腫瘍領域の存在を確認するのを支援することもできます(図3)。

このモデルは、経験豊富な病理学者のチームによってピクセル単位で注釈が付けられた1700を超える前立腺全スライド画像(WSI)でトレーニングされました。WSIのアノテーションに続いて、深層学習モデルを適用して、前立腺組織タイルを良性、Gleason3、Gleason4、Gleason5の4つのカテゴリに分類します。 図 5 に示すように、タイルベースの出力を集約して、がん領域 (がん (赤)、Gleason4 (緑)、Gleason5 (青; 図6)。これらのマスクに加えて、AI モデルは前立腺 WSI の最終ラベル (Cancer または Benign) を生成しました。この分類は、Gleason3、Gleason4、Gleason5 の領域、Gleason3、Gleason4、Gleason5 マスクの確実性、およびその他の要因などの形態学的特徴に基づいています。前立腺がんの検出に対する現在の前立腺モデルの性能は、モデルの開発または検証中に使用されなかった 1,000 個の WSI の独立したセットを使用して確認されました。検証セットの各スライドには、「良性」または「がん」というラベルが付けられます。また、トレーニング済みのモデルでは、説明されているように各スライドにラベルが割り当てられます。グラウンド トゥルース ラベルをモデルの予測と比較することにより、 表 1 に示すように、精度、感度、特異度、F1 スコアなどのパフォーマンス メトリックが計算されました。結果は、トレーニングされたモデルが他の前立腺AIモデルと同等のパフォーマンスを発揮することを示しています⁶。

グリーソンスコアに加えて、AIモデルは腫瘍の長さと割合、およびグレードグループを決定することができます(図7)。さらに、AIモデルは、提供された場合、NCCNリスクグループベースの病理および臨床情報を計算することもできます(図7A)。FlexLISでは、AIがすべての診断情報を病理レポートに転記できるため、病理医は手動でレポートに入力する必要がありません(図7B)。AIプロセス全体はバックグラウンドで完了し、病理医には表示されませんが、AI分析結果と同じ画像は病理医に表示され、病理レポートにAI結果を保持するか変更するかを決定できます(図7B)。

膀胱がんスクリーニングのための尿細胞診:尿細胞診は、膀胱がんのスクリーニング、診断、およびモニタリングのための主要な非侵襲的方法です⁷。尿細胞診では、患者を高悪性度尿路上皮がん陰性、非定型尿路上皮細胞、高悪性度尿路上皮がんの疑い、および高悪性度尿路上皮がん⁸の4つのカテゴリーに分類します。尿細胞診の審査には経験と技術が必要であり、非常に時間がかかります。そのため、AIを活用した尿細胞診スクリーニングが強く求められています。このケースは、AIによるシングルセル評価を示しています。

尿細胞診スライドの検査は、病理医にとって労働集約的で時間のかかるプロセスになる可能性があります。広範囲にわたるフィールドを細心の注意を払ってスキャンし、頻繁にズームインおよびズームアウトして、診断上重要な希少な細胞を見つける必要があります。これは、多くの場合、干し草の山から針を探すのに似ています。この手動アプローチは、かなりの時間と集中力を必要とするだけでなく、診断疲労と解釈の潜在的なばらつきの一因にもなります。このプロセスを効率化するために、FlexLISに統合されたAIベースの尿細胞診モデルが開発され、尿検体中のさまざまな細胞タイプを自動的に検出して分類することで病理学者をサポートします。このモデルは、HGUC(高悪性度尿路上皮癌細胞)、疑わしい(悪性腫瘍を示唆する顕著な異常を伴う尿路上皮細胞であるが、決定的に診断されていない)、非定型尿路上皮細胞、RBC(赤血球)、結晶、リンパ球、多形細胞、多形細胞、多腫瘍ウイルス、腎尿細管細胞、精子、扁平上皮細胞、正常尿路上皮細胞、酵母など。さらにユーザビリティを高めるために、診断的に重要なカテゴリー(HGUC、非定型尿路上皮細胞、疑わしいもの)は明確な色で強調表示され(図8)、病理医は手作業で徹底的にスキャンすることなく、関心のある領域に迅速に集中することができます。

さらに、AIモデルは、検出された各カテゴリのセル数を定量化し、このデータをシームレスに出力に統合します(図8)。これらの所見は病理レポートに自動的に転記されるため、病理医は症例のレビュー、検証、および最終決定のみに集中できます。これにより、診断効率が大幅に向上し、手動の作業負荷が軽減され、レポート間の一貫性と精度が向上します。

AIモデルを訓練するために、尿細胞診標本の150枚の全スライド画像から500の領域を無作為に選択しました。専門の細胞病理学者は、前述のように、これらの領域内の細胞を14の事前定義されたカテゴリに手動でアノテーションし、30,000を超えるアノテーションされた細胞を生み出しました。スライドの80%の領域はトレーニングに使用され、残りの20%は検証用に予約されました。次に、定義されたカテゴリ全体で細胞を正確に識別して分類するために、オブジェクト検出モデルをトレーニングおよび評価しました。

前立腺および尿細胞診モデルに加えて、消化器病学AIモデルもソフトウェアで利用できます。膀胱がんや肺がんなど、他のモデルも開発が進められています。

図1:病理学ワークフロー。 (A)従来の病理学ワークフロー。(B) デジタルパソロジーワークフロー。 この図の拡大版を表示するには、ここをクリックしてください。

図2:ログインウィンドウ。メールボックスにメールアドレスを入力します。この図の拡大版を表示するには、ここをクリックしてください。

図 3: [アクセッション リスト] ウィンドウ (A)左側のサイドバーには、さまざまなユーザーオプションが表示されます。(B)ケースを検索して並べ替えるためのアクセッションフィルター。(C) 各症例の情報を含む受託者リスト(受託番号、患者名、症例の状況、画像の数と品質など)。この場合、4 つのケースがユーザーに割り当てられました。 この図の拡大版を表示するには、ここをクリックしてください。

図4:Pathologist Reviewウィンドウ (A)ケースのステータスを含むケース情報。(B)Specimen Summaryテーブルには、部位、診断、コメントなど、各検体の要約が表示されます。(C)標本情報は、標本に関する追加情報を提供します。(D)ケースをナビゲートするためのケースコントロールパネル。右の図は、前立腺生検部位とAIの結果(赤-がん、オレンジ-ASAP、黒-良性)を示しています。 この図の拡大版を表示するには、ここをクリックしてください。

図 5: [Image Review] ウィンドウ。 (A) 画像ライブラリ(左サイドバー)には、すべての検体がアルファベット順にリストされ、染色の種類とステータスに関する情報が掲載されています。(B)ツールバー(上)は、画像を移動、注釈付け、共有します。(C)コメントの作成、スタッフとのコミュニケーション、AIのフィードバック/出力の表示のためのケース情報/ AI(右サイドバー)。この症例は、AIによってマスクされた前立腺癌の前立腺生検です(赤-癌と緑-グリーソン4)。 この図の拡大版を表示するには、ここをクリックしてください。

図6:AI出力 (A)組織像。(B)AIフィードバック、すなわち、腫瘍の長さ、グリーソンスコア、グレードグループなどを含む画像のAI評価この 図の拡大版を表示するには、ここをクリックしてください。

図7:前立腺AIモデルは、前立腺生検の画像を自動的に評価し、病理レポートの生成を支援します。(B) AIが結果を病理レポートに出力します。この図の拡大版を表示するには、ここをクリックしてください。

図8:尿細胞診スライドのAI評価。 異常な尿路上皮細胞は、赤(高悪性度尿路上皮がん細胞)とピンク(疑わしい細胞)で強調表示されました。AIの結果がインサート(右上隅)に表示されます。 この図の拡大版を表示するには、ここをクリックしてください。

精度	精度	感度	特異 性	F1スコア
97%	96%	98%	96%	97%

表1:前立腺生検における腺がんの検出のための前立腺AIモデルのパフォーマンス。

ディスカッション

FlexLISを成功裏に正確に適用するには、プロセス内のいくつかの重要なステップが必要であり、これらは分析前、分析、および分析後の要素として定義できます¹。最も重要な分析前要素は画質であり、これはデジタルスキャナー、スライドラベル、および染色の影響を受けます。画像の品質が悪いと、画像評価と AI のパフォーマンスに大きく影響します。分析要素には、インターネットの速度、画像表示の品質(ピクセルと解像度)、ソフトウェアの安定性、およびユーザーによる正しい操作が含まれます。分析後の要素には、画像の保存と保持、画像のバックアップ、レジリエンス、データセキュリティ、HIPAA^{コンプライアンスなどがあります}1。このソフトウェアは病理医が病理医のために設計されているため、誤動作を含む日常診療で遭遇する多くの潜在的な分析エラーをソフトウェアで検出してフラグを立て、次のステップに進む前にこれらのエラーが修正されていることを確認できます。たとえば、画像がレビューされず、診断が入力されていない場合(図4)、ケースを確定することはできません。

このソフトウェアによりワークフローが大幅に合理化されますが、時折の調整やトラブルシューティングが必要になる場合があります。たとえば、AIの評価と病理医の解釈との間に不一致が生じる可能性があります。これらの違いは、画質、スライド染色技術のばらつき、初期の学習データセットでは過小評価されていたまれな腫瘍タイプや病理組織学的パターンの存在などの要因に起因する可能性があります。これらの課題に対処するために、病理医がAIモデルにフィードバックを提供するヒューマンインザループアプローチが利用されています。このフィードバックは、モデルをより多様な新しいトレーニング データで定期的に更新するために使用され、時間の経過と共にその精度と一般化可能性が向上します。これにより、システムは実際の臨床経験に基づいて進化し、改善し続けることができます。

LIS⁹、IMS、AI¹⁰ の各システムは以前に報告されていますが、FlexLISは、私たちの知る限り、これまで報告されていない統合システムとして際立っています。さらに重要なことは、AIモデルを含むこの統合システムは、いくつかの病理学診療で日常的に使用されており、その有用性と信頼性が実証されていることです。このようなシステムは、日常的な病理検査室で使用するように設計されているため、前立腺、膀胱、乳房、肺、消化管、婦人科など、さまざまな病理標本の取り扱いと報告をサポートします。このシステムには、診断精度に影響を与える可能性のある画像内のアーティファクト(ぼやけた組織や欠落した組織)の検出とフラグ付けなど、AIベースの品質管理機能がいくつか組み込まれています。最後に、このシステムは非常に柔軟性があり、個々のラボの特定のニーズに合わせて調整できます。

この統合LIS/IMS/AIシステムの将来のアプリケーションは、臨床サービス、生物医学研究、医学生/研修医教育など、非常に広範囲に及びます。これは、1)患者のIDを含む元のスライドラベルを空白にして画像を匿名化し、新しい研究IDを割り当てるなど、治験審査委員会が要求するものを含む研究の高い基準を満たすことを保証する別の研究モジュールを提供します。2)研究デザインの必要に応じてスライドとケースを分類および配置します。3) データ分析やサマリー等のために、参加者の診断やコメントを記録・追跡する。

教育におけるその有用性は、現在進行中のレジデント・トレーニング・プロジェクト¹¹によって証明されており、AIの支援により、レジデントが主要な組織病理学的特徴を特定する精度を向上させることができることを示しています。ここで説明するソフトウェアには、ユーザーフレンドリーなIMSとシステム内の多数の画像、AIマスクと注釈の制御可能なアクセス、統合された病理学固有のChatGPT機能、安全で便利なケース共有機能など、ソフトウェア内のいくつかの機能があり、自己学習とメンター主導のトレーニングの両方に役立つプラットフォームとなっています。

現在、このソフトウェアは、他のAIベースの画像管理プラットフォーム¹と同様に、いくつかの制限と課題に直面しています。既存のEMRとのインターフェース、大きな画像の保存と取得など、統合の課題は、実装時に考慮する必要があります。さまざまな施設、スキャナー、染色プロトコル、患者集団間でのAIモデルの一般化可能性、画像アーティファクトに対する感度、組織調製のばらつき、まれな組織型パターンなどは、病理学AIモデルに関連するいくつかの制限です。最後に、相互運用性は、データ形式、診断用語、およびプラットフォーム固有のツールの断片化による病理学AIシステムの別の課題です。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
フレックスリス	ノヴィーノAI