Zintegrowane zarządzanie obrazami, sztuczna inteligencja (AI) i systemy raportowania zrewolucjonizowały praktykę patologii diagnostycznej. W tym artykule przedstawiamy FlexLIS, najnowocześniejszy system, który umożliwia sztucznej inteligencji wspomaganie patologów w przeprowadzaniu ocen obrazu histopatologicznego i generowaniu raportów diagnostycznych.
Artykuł metodologiczny
Wprowadzenie zintegrowanego systemu zarządzania obrazami patomorfologicznymi, sztucznej inteligencji i raportowania
W tym artykule
Podsumowanie
Streszczenie
Rozwój elektronicznych systemów raportowania (LIS), systemów zarządzania obrazami (IMS) i modeli sztucznej inteligencji zrewolucjonizował praktyki patologiczne. Dzięki integracji zaawansowanych IMS i zaawansowanych algorytmów sztucznej inteligencji systemy te jeszcze bardziej usprawniają proces diagnostyczny, umożliwiając bardziej precyzyjną i wydajną diagnozę. FlexLIS to najnowocześniejsze cyfrowe oprogramowanie patomorfologiczne wykorzystujące modele sztucznej inteligencji do analizy obrazu i transkrybujące wyniki generowane przez sztuczną inteligencję do kompleksowych raportów patologicznych. Ten zintegrowany ze sztuczną inteligencją system może również wspierać kontrolę jakości (QC), zamawiać specjalne plamy dla trudnych przypadków i ułatwiać konsultacje. W rezultacie może poprawić dokładność diagnostyczną i przepływ pracy patologów. W tym artykule przedstawiamy zwięzły protokół dla patologów, w jaki sposób korzystać z oprogramowania do przeglądania obrazów slajdów i generowania raportów patologicznych. Omawiamy również jej zastosowanie w diagnozowaniu raka prostaty za pomocą biopsji grubiowej gruczołu krokowego i badań przesiewowych w kierunku raka pęcherza moczowego za pomocą cytologii moczu, pokazując wszechstronność i wpływ platformy w praktyce klinicznej.
Wprowadzenie
Patologia diagnostyczna to ważna specjalizacja medyczna, która umożliwia diagnozowanie chorób poprzez badanie tkanek pobranych od pacjentów. Próbki tkanek są przetwarzane, a cienkie odcinki tkanki umieszcza się na szkiełkach podstawowych, które są następnie barwione chemikaliami, takimi jak hematoksylina i eozyna (H&E). Tradycyjnie patolodzy badają zabarwione tkanki na szkiełkach pod mikroskopem i wydają raporty diagnostyczne za pomocą oprogramowania komputerowego, tj. Laboratoryjnych systemów informatycznych (LIS; Rysunek 1A). W ciągu ostatniej dekady patologia cyfrowa była stopniowo wprowadzana do praktyki patologicznej, w której szkiełka były digitalizowane poprzez skanowanie szkiełka w celu uzyskania całego obrazu szkiełka (WSI)1. Patolodzy muszą jedynie przeglądać obrazy slajdów za pomocą systemu zarządzania obrazem (IMS) w celu postawienia diagnozy, co znacząco wpływa na przepływ pracy w praktyce patologicznej (ryc. 1B). Od niedawna sztuczna inteligencja (AI) z głębokim uczeniem maszynowym zdigitalizowanych obrazów histopatologicznych daje potencjalną możliwość poprawy dokładności diagnostycznej i wydajności patologów 1,2.
Ze względu na wprowadzenie i rozwój LIS, IMS i patologicznej sztucznej inteligencji w różnych okresach, systemy te są dostarczane przez różnych dostawców i działają niezależnie. Obecnie patolodzy muszą pracować z dwoma oddzielnymi systemami, tj. LIS do zgłaszania diagnoz i IMS do przeglądania obrazów1. Co więcej, obecne modele sztucznej inteligencji są zaprojektowane tak, aby działały lepiej z IMS, ale nie z LIS3. Niekompatybilność LIS, IMS i AI znacząco wpływa na rozwój i wdrażanie cyfrowych modeli patologii i sztucznej inteligencji w rutynowej praktyce patologicznej. Idealnym i ważnym rozwiązaniem jest posiadanie zintegrowanego systemu, który łączy LIS i IMS, aby sztuczna inteligencja mogła przeglądać obrazy w IMS i generować raporty patologiczne w LIS.
Dlatego naszym celem jest opracowanie opartego na chmurze, zintegrowanego systemu LIS/IMS/AI, który umożliwi patomorfologom dostęp do obrazów i wydawanie raportów w dowolnym miejscu i czasie. Co więcej, modele sztucznej inteligencji bezproblemowo współdziałają między IMS i LIS, dzięki czemu wyniki oceny obrazów w IMS przez sztuczną inteligencję mogą być automatycznie transkrybowane do raportów patologicznych w LIS. Patolodzy muszą jedynie przejrzeć obraz w IMS i potwierdzić diagnozę w LIS bez ręcznego wprowadzania danych. W tym artykule przedstawiamy protokół dla patologów do korzystania z FlexLIS i demonstrujemy rzeczywiste zastosowania analizy obrazu wspomaganej sztuczną inteligencją i raportowania w diagnostyce raka prostaty i cytologii moczu do badań przesiewowych w kierunku raka pęcherza moczowego.
Protokół
FlexLIS został zaprojektowany ze ścisłym przestrzeganiem standardów prywatności danych i ram regulacyjnych, w tym ustawy o przenośności i odpowiedzialności w ubezpieczeniach zdrowotnych (HIPAA). Wszystkie dane pacjenta przetwarzane w systemie są szyfrowane zarówno w spoczynku, jak i podczas przesyłania przy użyciu standardowych protokołów branżowych.
1. Założenie konta
- Otwórz przeglądarkę internetową. Wpisz Kontynuuj (Rysunek 2). Do użytkownika zostanie wysłana wiadomość e-mail.
- Przejdź do wiadomości e-mail i kliknij przycisk Link to sign in ( Łącze , aby się zalogować), co spowoduje otwarcie okna Accession List (Lista dostępu) (Rysunek 3).
2. Digitalizacja szkiełek
- Włącz zasilanie skanera cyfrowego i załaduj do skanera wcześniej przygotowane szkiełka witrażowe (tj. hematoksylinę i eozynę).
- Naciśnij Start , aby rozpocząć skanowanie szkiełek. Obrazy zostaną automatycznie przesłane do systemu za pomocą bezpośredniego interfejsu i ułożone w formacie przypadku, tak jak patolodzy zwykle widzą na tacy na slajdy.
3. Analiza danych
- Zapoznaj się z listą przypadków w oknie Lista akcesyjna (Rysunek 3 i Rysunek 4) oraz odpowiadającymi im obrazami w oknie Przegląd obrazów (Rysunek 5 i Rysunek 6).
UWAGA: Oprogramowanie wykorzystuje następujące testy porównawcze do oceny użyteczności użytkownika: wskaźnik powodzenia zadania, czas realizacji zadania, wskaźnik błędów, liczba działań na zadanie, skala użyteczności systemu (SUS) oraz satysfakcja użytkownika za pomocą badań użytkowników i wywiadów. Używamy Datadog do monitorowania użytkowników w czasie rzeczywistym (RUM) oraz do monitorowania błędów aplikacji. - W oknie Lista akcesyjna użytkownik widzi listę przypisanych spraw (Rysunek 3C). Kliknij przycisk strzałki w dół przed obudową (PN24-00004), aby zobaczyć plamy uporządkowane przez personel i sztuczną inteligencję (w tym przypadku PIN4). Zielona kropka na ikonie mikroskopu oznacza zakończenie analizy AI (rysunek 2C). Czerwona kropka przed numerem dostępu oznacza raka wykrytego na obrazie przez sztuczną inteligencję (ryc. 2C). Przejrzane/Gotowe/Ogółem wskazuje łączną liczbę obrazów w każdej kategorii. Ten! znak po numerze obrazu wskazuje ocenę jakości obrazu przez sztuczną inteligencję (tj. brakujące obrazy lub rozmycie).
- Kliknij ikonę użytkownika przed przypadkiem PN24-00004 , co spowoduje przejście użytkownika do okna Przegląd patologa (Rysunek 4). Wszystkie próbki są wymienione alfabetycznie (rysunek 4B) w tabeli podsumowującej próbki. Użytkownik widzi wyniki analizy AI dla każdej próbki, w tym diagnozę (łagodny, HGPIN, ASAP, rak) i opis (wyniki Gleasona, długość guza i grupa stopnia; Rysunek 4B). Użytkownicy widzą również wyniki AI na diagramie (czerwony rak, pomarańczowy jak najszybciej i łagodny; Rysunek 4B).
- Kliknij ikonę mikroskopu po lewej stronie do B (Rysunek 4B), co spowoduje otwarcie okna Image Review (Przegląd obrazu) (Rysunek 5). Użytkownik widzi odpowiadający mu obraz w osobnym oknie podglądu obrazu (Rysunek 5). Użytkownik widzi również adnotacje AI, czerwone podświetlenia wskazują na raka, a zielone podświetlenia wskazują na Gleason 4 (Rysunek 5).
- Kliknij C (Rysunek 5A), aby wyświetlić obraz C, kliknij D , aby wyświetlić obraz D itd. Kliknij ikonę Informacje zwrotne AI na rysunku 5C , aby wyświetlić szczegółowe informacje wyjściowe AI (Rysunek 6).
Wyniki
W tej sekcji przedstawiono dwa przypadki użycia, aby zademonstrować, w jaki sposób sztuczna inteligencja może wspomagać patologów w ocenie obrazów i dostarczaniu danych diagnostycznych.
Diagnostyka raka prostaty (Rycina 7): ocena histopatologiczna biopsji prostaty z nowotworem, obejmująca m.in. długość i odsetek guza oraz stopnie Gleasona (3, 4 i 5) oraz odsetek stopnia 4 i 5. Informacje te są następnie wykorzystywane do zakwalifikowania pacjentów do 4 grup stopnia złośliwości (od 1 do 4), gdzie stopień 4 oznacza najbardziej agresywną postać raka prostaty4,5. Informacje te muszą znaleźć się w raporcie patomorfologicznym, dlatego stanowią one idealny przykład do zilustrowania diagnostyki patomorfologicznej wspomaganej przez AI.
W tym przykładzie szkiełka z biopsją prostaty zostały początkowo barwione metodą hematoksylino-eosinową (H&E). Zabarwione szkiełko zostało następnie zdigitalizowane w celu wygenerowania obrazu całego preparatu (WSI), który przesłano do systemu poprzez bezpośredni interfejs między komputerem skanera a oprogramowaniem (Rycina 7). Po przesłaniu model oparty na sztucznej inteligencji (AI) przetwarza etykietę, identyfikuje i taguje każdy obiekt, w tym źródło materiału (tj. prostatę) oraz rodzaj barwienia (tj. H&E). Model ten określa, czy obraz przedstawia biopsję prostaty barwioną H&E. Jeśli tak, inny model oparty na AI analizuje obraz i generuje informacje zwrotne lub wyniki na podstawie przeprowadzonej analizy (Rycina 7A). Ten model oparty na AI jest również w stanie wstępnie zlecić barwienia immunohistochemiczne PIN4, aby pomóc patologom w potwierdzeniu obecności małych obszarów nowotworowych (Rycina 3).
Model ten został wytrenowany na ponad 1700 obrazach całych preparatów (WSI) prostaty, które zostały poddane adnotacji na poziomie pikseli przez zespół doświadczonych patologomorfologów. Po adnotacji obrazów WSI zastosowano model głębokiego uczenia w celu klasyfikacji fragmentów (kafelków) tkanki prostaty do czterech kategorii: łagodnej (Benign), Gleason3, Gleason4 oraz Gleason5. Jak przedstawiono na Rysunku 5, wyniki oparte na kafelkach są agregowane w celu stworzenia maski całego preparatu wyróżniającej obszary nowotworowe: rak (kolor czerwony), Gleason4 (kolor zielony) oraz Gleason5 (kolor niebieski; Rysunek 6). Oprócz tych masek model AI wygenerował końcową etykietę (rak lub zmiana łagodna) dla danego obrazu WSI prostaty. Klasyfikacja ta opiera się na cechach morfologicznych, takich jak obszary Gleason3, Gleason4 i Gleason5, stopień pewności masek Gleason3, Gleason4 i Gleason5 oraz inne czynniki. Skuteczność naszego obecnego modelu prostaty w wykrywaniu raka prostaty została potwierdzona przy użyciu niezależnego zestawu 1000 obrazów WSI, które nie były wykorzystywane podczas opracowywania ani walidacji modelu. Każdy preparat w zestawie walidacyjnym jest oznaczony jako łagodny lub nowotworowy. Wytrenowany model przypisuje każdemu preparatowi etykietę zgodnie z powyższym opisem. Poprzez porównanie etykiet rzeczywistych (ground truth) z przewidywaniami modelu obliczono wskaźniki wydajności, takie jak dokładność, czułość, swoistość i wynik F1, przedstawione w Tabeli 1. Wyniki wskazują, że wytrenowany model wykazuje skuteczność porównywalną z innymi modelami AI dla prostaty6.
Oprócz wyników w skali Gleasona, model AI potrafi określić długość i procentowy udział guza oraz grupę stopnia złośliwości (Rycyna 7). Ponadto model AI jest w stanie obliczyć patologiczne i kliniczne informacje na podstawie grup ryzyka NCCN, jeśli zostaną one dostarczone (Rycina 7A). W systemie FlexLIS AI potrafi przenieść wszystkie informacje diagnostyczne do raportu patomorfologicznego, dzięki czemu patolodzy nie muszą wprowadzać ich do raportu ręcznie (Rycina 7B). Chociaż cały proces AI odbywa się w tle i nie jest widoczny dla patologów, wyniki analizy AI oraz ten sam obraz są dostępne dla patologów, którzy mogą zdecydować o zachowaniu lub zmianie wyników AI w raporcie patomorfologicznym (Rycina 7B).
Cytologia moczu w badaniu przesiewowym raka pęcherza moczowego: Cytologia moczu jest podstawową nieinwazyjną metodą przesiewową, diagnostyczną i monitorującą raka pęcherza moczowego7. Cytologia moczu klasyfikuje pacjentów do czterech kategorii: wynik negatywny w kierunku raka urothelialnego wysokiego stopnia, atypowe komórki urothelialne, podejrzenie raka urothelialnego wysokiego stopnia oraz rak urothelialny wysokiego stopnia8. Ocena cytologiczna moczu wymaga doświadczenia i umiejętności oraz jest bardzo czasochłonna. W związku z tym istnieje duże zapotrzebowanie na przesiewową cytologię moczu wspomaganą przez AI. Niniejszy przypadek przedstawia ocenę pojedynczych komórek za pomocą AI.
Badanie preparatów cytologicznych moczu może być dla patomorfologów procesem pracochłonnym i czasochłonnym. Wymaga ono skrupulatnego przeglądania szerokich pól widzenia i częstego przybliżania oraz oddalania obrazu w celu zlokalizowania rzadkich, diagnostycznie istotnych komórek, co często przypomina szukanie igły w stogu siana. To manualne podejście nie tylko wymaga znacznego nakładu czasu i koncentracji, ale także przyczynia się do zmęczenia diagnostycznego i potencjalnej zmienności w interpretacjach. Aby usprawnić ten proces, opracowano model cytologii moczu oparty na sztucznej inteligencji, zintegrowany z systemem FlexLIS, który wspiera patomorfologów poprzez automatyczne wykrywanie i klasyfikowanie szerokiego zakresu typów komórek w próbkach moczu. Model jest zdolny do identyfikacji następujących kategorii: HGUC (komórki raka urothelialnego wysokiego stopnia złośliwości), podejrzane (komórki urothelialne z wyraźnymi abnormalities sugerującymi nowotwór, ale nie dającymi jednoznacznej diagnozy), atypowe komórki urothelialne, RBCs (erytrocyty), kryształy, limfocyty, komórki polimorficzne, wirus polyoma, komórki kanalików nerkowych, plemniki, komórki płaskie, prawidłowe komórki urothelialne, drożdżaki oraz inne. Aby dodatkowo zwiększyć użyteczność, kategorie istotne diagnostycznie – HGUC, atypowe komórki urothelialne oraz komórki podejrzane – są wyróżnione za pomocą odrębnych kolorów (Rysunek 8), co pozwala patomorfologom na szybkie skupienie się na obszarach zainteresowania bez konieczności wyczerpującego, ręcznego przeglądania preparatu.
Ponadto model AI kwantyfikuje liczbę komórek w każdej wykrytej kategorii i płynnie integruje te dane z wynikiem (Rycina 8). Wyniki te są automatycznie przenoszone do raportu patomorfologicznego, co pozwala patologowi skupić się wyłącznie na przeglądzie, weryfikacji i sfinalizowaniu przypadku. Znacznie zwiększa to efektywność diagnostyczną, zmniejsza nakład pracy ręcznej oraz sprzyja spójności i dokładności raportów.
W celu wytrenowania modelu AI losowo wybrano 500 obszarów ze 150 obrazów całych preparatów (whole slide images) z cytologii moczu. Eksperci cytopatolodzy ręcznie opisali komórki w tych obszarach, dzieląc je na 14 predefined kategorii, zgodnie z wcześniej opisaną procedurą, co pozwoliło na uzyskanie ponad 30 000 adnotowanych komórek. Obszary z 80% preparatów wykorzystano do trenowania, natomiast pozostałe 20% zarezerwowano do walidacji. Następnie wytrenowano i oceniono model detekcji obiektów, aby dokładnie identyfikować i klasyfikować komórki w ramach zdefiniowanych kategorii.
Oprócz modeli cytologicznych dla prostaty i moczu, w oprogramowaniu dostępny jest również model AI dla gastroenterologii. Inne modele, w tym dla raka pęcherza i raka płuc, są w fazie opracowywania.
Rycina 1: Przepływ pracy w patologii. (A) Tradycyjny przepływ pracy w patologii. (B) Cyfrowy przepływ pracy w patologii. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rycina 2: Okno logowania. Wprowadź adres e-mail w polu e-mail. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 3: Okno listy przyjęć. (A) Lewy pasek boczny wskazuje różne opcje użytkownika. (B) Filtr przyjęć do wyszukiwania i sortowania przypadków. (C) Lista przyjęć z informacjami o każdym przypadku, w tym numerem przyjęcia, nazwiskiem pacjenta, statusem przypadku, liczbie i jakości obrazów itp. W tym przypadku użytkownikowi przypisano 4 przypadki. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 4: Okno przeglądu patomorfologa. (A) Informacje o przypadku, w tym status przypadku. (B) Tabela podsumowania preparatów (Specimen Summary) zawiera streszczenie każdego preparatu, w tym lokalizację, diagnozę i uwagi. (C) Informacje o preparacie dostarczają dodatkowych danych na temat próbki. (D) Panel sterowania przypadkiem służący do nawigacji po przypadku. Schemat po prawej stronie wskazuje miejsca biopsji prostaty i wyniki AI (czerwony – rak, pomarańczowy – ASAP, czarny – zmiana łagodna). Aby wyświetlić tę figurę w większym rozmiarze, kliknij tutaj.
Rysunek 5: Okno przeglądania obrazów. (A) Biblioteka obrazów (lewy pasek boczny) zawiera listę wszystkich próbek w kolejności alfabetycznej wraz z informacjami o rodzaju barwienia i statusie. (B) Pasek narzędzi (góra) do przesuwania, adnotowania i udostępniania obrazów. (C) Informacje o przypadku/AI (prawy pasek boczny) do dodawania komentarzy, komunikacji z personelem oraz przeglądania informacji zwrotnych i wyników AI. Przedstawiony przypadek to biopsja prostaty z rakiem prostaty zaznaczonym przez AI (na czerwono – rak, na zielono – Gleason 4). Prosimy kliknąć tutaj, aby zobaczyć powiększoną wersję tego rysunku.
Rycina 6: Wyniki AI. (A) Obraz histologiczny. (B) Informacja zwrotna AI, t.j. ocena obrazu przez AI, obejmująca długość guza, skalę Gleasona, grupę stopnia złośliwości itp. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 7: Model AI dla prostaty automatycznie ocenia obraz z biopsji prostaty i pomaga w generowaniu raportów patomorfologicznych. (A) Po analizie obrazów w systemie IMS. (B) AI przenosi wyniki do raportu patomorfologicznego. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 8: Ocena preparatu cytologicznego moczu przez AI. Nieprawidłowe komórki urothelium zostały zaznaczone na czerwono (komórki raka urothelium wysokiego stopnia złośliwości) i różowo (komórki podejrzane). Wyniki AI widoczne we wstawce (prawy górny róg). Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
| Dokładność | Precyzja | Czułość | Swoistość | Wskaźnik F1 |
| 97% | 96% | 98% | 96% | 97% |
Tabela 1: Efektywność modelu AI dla prostaty w wykrywaniu gruczolakoraka w biopsjach prostaty.
Dyskusja
Skuteczne i dokładne zastosowanie FlexLIS opiera się na kilku krytycznych etapach procesu, które można zdefiniować jako czynniki przedanalityczne, analityczne i poanalityczne1. Najważniejszym czynnikiem przedanalitycznym jest jakość obrazu, na którą wpływ mają skanery cyfrowe, etykiety slajdów i barwienie. Niska jakość obrazów znacząco wpływa na ocenę obrazu i wydajność sztucznej inteligencji. Czynniki analityczne obejmują szybkość internetu, jakość wyświetlania obrazu (piksele i rozdzielczość), stabilność oprogramowania oraz poprawność działania przez użytkowników. Czynniki poanalityczne obejmują przechowywanie i przechowywanie obrazów, tworzenie kopii zapasowych obrazów, odporność, bezpieczeństwo danych i zgodność z HIPAA1. Ponieważ oprogramowanie zostało zaprojektowane przez patologów dla patologów, wiele potencjalnych błędów analitycznych napotkanych w codziennej praktyce, w tym nieprawidłowe działanie, może zostać wykrytych i oznaczonych przez oprogramowanie, aby zapewnić, że błędy te zostaną skorygowane przed przejściem do następnego kroku. Na przykład, jeśli obraz nie zostanie przejrzany, a diagnoza nie zostanie wprowadzona (ryc. 4), sprawa nie może zostać sfinalizowana.
Chociaż oprogramowanie znacznie usprawnia przepływ pracy, od czasu do czasu mogą być konieczne korekty lub rozwiązywanie problemów. Na przykład mogą pojawić się rozbieżności między ocenami sztucznej inteligencji a interpretacjami patologa. Różnice te mogą wynikać z takich czynników, jak jakość obrazu, różnice w technikach barwienia szkiełek lub obecność rzadkich typów nowotworów i wzorców histopatologicznych, które były niedostatecznie reprezentowane w początkowych zestawach danych treningowych. Aby sprostać tym wyzwaniom, stosuje się podejście human-in-the-loop, w ramach którego patolodzy przekazują informacje zwrotne do modelu AI. Ta informacja zwrotna służy do okresowego aktualizowania modelu o nowe i bardziej zróżnicowane dane treningowe, poprawiając jego dokładność i możliwość uogólnienia w czasie. Gwarantuje to, że system będzie nadal ewoluował i ulepszał się w oparciu o rzeczywiste doświadczenia kliniczne.
Chociaż każdy system LIS9, IMS i AI10 był już wcześniej zgłaszany, FlexLIS wyróżnia się jako zintegrowany system, który, o ile nam wiadomo, nie był wcześniej zgłaszany. Co ważniejsze, ten zintegrowany system, w tym jego modele sztucznej inteligencji, był codziennie używany w kilku praktykach patologicznych i wykazał swoją użyteczność i niezawodność. Taki system jest przeznaczony do stosowania w rutynowych laboratoriach patologicznych, dlatego wspiera obsługę i raportowanie różnych próbek patologicznych, w tym prostaty, pęcherza moczowego, piersi, płuc, przewodu pokarmowego, ginekologii itp. System ten zawiera kilka funkcji kontroli jakości opartych na sztucznej inteligencji, w tym wykrywanie i oznaczanie artefaktów na obrazach (rozmytych i brakujących tkanek), które mogą mieć wpływ na dokładność diagnostyczną. Wreszcie, system ten jest bardzo elastyczny i może być dostosowany do specyficznych potrzeb każdego laboratorium.
Przyszłe zastosowania tego zintegrowanego systemu LIS/IMS/AI są bardzo szerokie, obejmując usługi kliniczne, badania biomedyczne oraz kształcenie studentów/rezydentów medycyny. Oferuje oddzielny moduł badawczy, który zapewnia spełnienie wysokich standardów w badaniach, w tym wymaganych przez Instytucjonalną Komisję Rewizyjną, takich jak: 1) pozbawienie obrazów elementów pozwalających na identyfikację poprzez wymazanie oryginalnej etykiety slajdu, która zawiera identyfikator pacjenta i przypisanie nowego identyfikatora badania; 2) sortować i układać slajdy i przypadki zgodnie z projektem badania; 3) Rejestruj i śledź diagnozy i komentarze uczestników w celu analizy i podsumowania danych itp.
O jej użyteczności w edukacji świadczy nasz trwający projekt szkoleniowy dla rezydentów11, który wskazuje, że pomoc AI może zwiększyć dokładność mieszkańców w identyfikowaniu kluczowych cech histopatologicznych. Kilka funkcji opisanego tutaj oprogramowania, w tym przyjazny dla użytkownika IMS i duża liczba obrazów w systemie, kontrolowany dostęp do masek i adnotacji AI, zintegrowane funkcje ChatGPT specyficzne dla patologii oraz bezpieczna i wygodna możliwość udostępniania przypadków, sprawiają, że jest to przydatna platforma zarówno do samodzielnej nauki, jak i szkoleń prowadzonych przez mentora.
Obecnie oprogramowanie boryka się z kilkoma ograniczeniami i wyzwaniami, podobnie jak każda inna platforma zarządzania obrazami oparta na sztucznej inteligencji1. Podczas wdrażania należy wziąć pod uwagę wyzwania związane z integracją, w tym interfejsem z istniejącym EMR, przechowywaniem i pobieraniem dużych obrazów itp. Możliwość uogólnienia modeli sztucznej inteligencji w różnych instytucjach, skanerach, protokołach barwienia i populacjach pacjentów, a także wrażliwość na artefakty obrazu, zmienność przygotowania tkanek i rzadkie wzorce histologiczne to kilka ograniczeń związanych z modelami sztucznej inteligencji patologii. Wreszcie, interoperacyjność jest kolejnym wyzwaniem dla patologicznych systemów sztucznej inteligencji ze względu na fragmentację formatów danych, terminologii diagnostycznej i narzędzi specyficznych dla platformy.
Oświadczenia
Autorzy są zaangażowani w rozwój FlexLIS. System LIS/IMS, a także sztuczna inteligencja, został opracowany przez NovinoAI i jest własnością NovinoAI.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| FlexLIS | Sztuczna inteligencja Novino |
Bibliografia
- Zhang, D. Y., et al. Implementation of digital pathology and artificial intelligence in routine pathology practice. Lab Invest. 104 (9), 102111(2024).
- 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).
- Park, S. L., et al. Anatomic pathology laboratory information systems: a review. Adv Anat Pathol. 19 (2), 81-96 (2012).
- 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).
- 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).
- 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).
- Flaig, T. W., et al. NCCN guidelines insights: Bladder cancer, version 3.2024. J Natl Compr Canc Netw. 22 (4), 216-225 (2024).
- 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).
- Sepulveda, J. L., et al. The ideal laboratory information system. Arch Pathol Lab Med. 137 (8), 1129-1140 (2013).
- 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).
- Zhu, M., et al. Artificial Intelligence-Assisted Histopathology As A Training Tool For Residents. Lab Invest. 105 (3), 102736(2025).
Przedruki i uprawnienia
