Artykuł metodologiczny

Wprowadzenie zintegrowanego systemu zarządzania obrazami patomorfologicznymi, sztucznej inteligencji i raportowania

DOI:

10.3791/68270

⸱

11 lipca 2025

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

W tym artykule

Podsumowanie

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

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.

Streszczenie

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

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

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

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

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

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

  1. Otwórz przeglądarkę internetową. Wpisz Kontynuuj (Rysunek 2). Do użytkownika zostanie wysłana wiadomość e-mail.
  2. 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

  1. Włącz zasilanie skanera cyfrowego i załaduj do skanera wcześniej przygotowane szkiełka witrażowe (tj. hematoksylinę i eozynę).
  2. 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

  1. 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.
  2. 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).
  3. 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).
  4. 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).
  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

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

W tej sekcji przedstawiono dwa przypadki użycia, aby zademonstrować, w jaki sposób sztuczna inteligencja może pomóc patologom w ocenie obrazów i dostarczaniu danych diagnostycznych.

Diagnoza raka gruczołu krokowego (ryc. 7): Ocena histopatologiczna biopsji gruczołu krokowego z rakiem, w tym długość i procent guza, wyniki Gleasona (3, 4 i 5), procent Gleasona 4 i 5 itp. Informacje te są następnie wykorzystywane do klasyfikowania pacjentów w 4 grupach zaawansowania (od 1 do 4), przy czym 4 oznacza najbardziej agresywny rak prostaty 4,5. Informacje te muszą być zawarte w raporcie patologicznym; dlatego jest to doskonały przykład ilustrujący diagnostykę patologiczną wspomaganą przez sztuczną inteligencję.

W tym przykładzie szkiełka podstawowe z biopsją gruczołu krokowego zostały początkowo wybarwione procedurą hematoksyliny-eozyny (H&E). Wybarwiony szkiełko zostało następnie zdigitalizowane w celu wygenerowania całego obrazu slajdu (WSI), który został przesłany do systemu za pośrednictwem bezpośredniego interfejsu między komputerem skanera a oprogramowaniem (ilustracja 7). Po przesłaniu model oparty na sztucznej inteligencji przetwarza etykietę, identyfikuje i oznacza każdą jednostkę, w tym źródło próbki (tj. prostatę) i typ barwienia (tj. H&E). Model ten określa, czy obraz jest biopsją gruczołu krokowego zabarwioną H&E. Jeśli tak jest, inny model oparty na sztucznej inteligencji analizuje obraz i generuje informacje zwrotne lub dane wyjściowe na podstawie analizy (rysunek 7A). Ten model oparty na sztucznej inteligencji jest również w stanie wstępnie zamówić barwienia immunohistochemiczne PIN4, aby pomóc patologom w potwierdzeniu obecności małych obszarów guza (ryc. 3).

Model ten został przeszkolony na ponad 1700 obrazach całych slajdów prostaty (WSI), które zostały opatrzone adnotacjami pikselowymi przez zespół doświadczonych patologów. Po adnotacji WSI stosuje się model głębokiego uczenia się w celu sklasyfikowania kafelków tkanki gruczołu krokowego w czterech kategoriach: Łagodne, Gleason3, Gleason4 i Gleason5. Jak pokazano na rysunku 5, dane wyjściowe oparte na kafelkach są agregowane w celu utworzenia maski całego slajdu z wyróżnieniem obszarów nowotworowych: Rak (czerwony), Gleason4 (zielony) i Gleason5 (niebieski; Rysunek 6). Oprócz tych masek, model sztucznej inteligencji wygenerował ostateczną etykietę (rak lub łagodny) dla WSI prostaty. Klasyfikacja ta opiera się na cechach morfologicznych, takich jak obszary Gleason3, Gleason4 i Gleason5, pewność masek Gleason3, Gleason4 i Gleason5 oraz inne czynniki. Wydajność naszego obecnego modelu prostaty do wykrywania raka prostaty została potwierdzona przy użyciu niezależnego zestawu 1000 WSI, które nie były używane podczas opracowywania lub walidacji modelu. Każdy slajd w zestawie walidacji jest oznaczony jako Łagodny lub Rak. Wytrenowany model przypisuje również etykietę do każdego slajdu zgodnie z opisem. Porównując etykiety prawdy podstawowej z przewidywaniami modelu, obliczono wskaźniki wydajności, takie jak dokładność, czułość, swoistość i wynik F1, jak przedstawiono w tabeli 1. Wyniki wskazują, że wytrenowany model działa porównywalnie z innymi modelami sztucznej inteligencji prostaty6.

Oprócz wyników Gleasona, model AI jest w stanie określić długość i procent guza oraz grupę zaawansowania (ryc. 7). Co więcej, model sztucznej inteligencji jest również w stanie obliczyć patologię opartą na grupie ryzyka NCCN i informacje kliniczne, jeśli zostaną dostarczone (ryc. 7A). W FlexLIS sztuczna inteligencja jest w stanie przepisać wszystkie informacje diagnostyczne do raportu patologicznego, dzięki czemu patolodzy nie muszą ręcznie wprowadzać ich do raportu (rysunek 7B). Chociaż cały proces sztucznej inteligencji jest wykonywany w tle i nie jest widoczny dla patologów, wyniki analizy sztucznej inteligencji i ten sam obraz są widoczne dla patologów, którzy mogą zdecydować o zachowaniu lub zmianie wyników sztucznej inteligencji w raporcie patomorfologicznym (rysunek 7B).

Cytologia moczu w badaniach przesiewowych w kierunku raka pęcherza moczowego: Cytologia moczu jest podstawową nieinwazyjną metodą badań przesiewowych, diagnozy i monitorowania raka pęcherza moczowego7. Cytologia moczu klasyfikuje pacjentów na cztery kategorie: ujemny dla raka urotelialnego o wysokim stopniu złośliwości, atypowe komórki urotelialne, podejrzane o raka urotelialnego o wysokim stopniu złośliwości i rak urotelialny o wysokim stopniu złośliwości8. Przegląd cytologii moczu wymaga doświadczenia i umiejętności oraz jest bardzo czasochłonny. Dlatego badania przesiewowe cytologii moczu wspomagane sztuczną inteligencją są bardzo pożądane. W tym przypadku przedstawiono jednokomórkową ocenę przez sztuczną inteligencję.

Badanie preparatów cytologicznych moczu może być pracochłonnym i czasochłonnym procesem dla patologów. Wymaga skrupulatnego skanowania szerokich pól i częstego przybliżania i pomniejszania w celu zlokalizowania rzadkich, istotnych diagnostycznie komórek, często przypominających poszukiwanie igły w stogu siana. To ręczne podejście nie tylko wymaga dużo czasu i skupienia, ale także przyczynia się do zmęczenia diagnostycznego i potencjalnej zmienności interpretacji. Aby usprawnić ten proces, opracowano oparty na sztucznej inteligencji model cytologii moczu zintegrowany z FlexLIS, aby wspierać patologów poprzez automatyczne wykrywanie i klasyfikowanie szerokiego zakresu typów komórek w próbkach moczu. Model jest w stanie zidentyfikować następujące kategorie: HGUC (komórki raka urotelialnego wysokiego stopnia), podejrzane (komórki urotelialne z wyraźnymi nieprawidłowościami sugerującymi złośliwość, ale nie ostatecznie diagnostyczne), atypowe komórki urotelialne, RBC (czerwone krwinki), kryształy, limfocyty, komórki polimorficzne, wirus polioma, komórki kanalików nerkowych, plemniki, komórki płaskonabłonkowe, normalne komórki urotelialne, drożdże i inne. Aby jeszcze bardziej zwiększyć użyteczność, kategorie istotne diagnostycznie - HGUC, atypowe komórki urotelialne i podejrzane - są wyróżnione za pomocą odrębnych kolorów (ryc. 8), umożliwiając patologom szybkie skupienie się na obszarach zainteresowania bez konieczności wyczerpującego skanowania ręcznego.

Co więcej, model sztucznej inteligencji określa ilościowo liczbę komórek w każdej wykrytej kategorii i bezproblemowo integruje te dane z danymi wyjściowymi (rysunek 8). Wyniki te są automatycznie transkrybowane do raportu patologicznego, dzięki czemu patolog może skupić się wyłącznie na przeglądzie, weryfikacji i sfinalizowaniu sprawy. To znacznie zwiększa wydajność diagnostyki, zmniejsza obciążenie pracą ręczną oraz zapewnia spójność i dokładność raportów.

Aby wytrenować model sztucznej inteligencji, 500 regionów zostało losowo wybranych ze 150 całych obrazów slajdów próbek cytologicznych moczu. Eksperci cytopatolodzy ręcznie opisali komórki w tych regionach w 14 predefiniowanych kategoriach, jak opisano wcześniej, w wyniku czego uzyskano ponad 30 000 komórek z adnotacjami. Regiony z 80% slajdów zostały wykorzystane do szkolenia, podczas gdy pozostałe 20% zarezerwowano do walidacji. Następnie przeszkolono i oceniono model wykrywania obiektów, aby dokładnie zidentyfikować i sklasyfikować komórki w zdefiniowanych kategoriach.

Oprócz modeli cytologii prostaty i moczu, w oprogramowaniu dostępny jest również model AI gastroenterologii. Inne modele, w tym rak pęcherza moczowego i rak płuc, są w trakcie opracowywania.

figure-results-1
Rysunek 1: Przebieg pracy w patologii. (A) Tradycyjny przebieg pracy patologii. (B) Cyfrowy przepływ pracy w patologii. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Okno logowania. Wpisz adres e-mail w polu wiadomości e-mail. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Okno Lista akcesyjna. (A) Lewy pasek boczny wskazuje różne opcje użytkownika. (B) Filtr dostępu do wyszukiwania i sortowania spraw. (C) Lista akcesyjna zawierająca informacje o każdym przypadku, w tym numer dostępu, imię i nazwisko pacjenta, status przypadku, liczbę i jakość zdjęć itp. W tym przypadku do użytkownika zostały przypisane 4 sprawy. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 4: Okno przeglądu patologa. (A) Informacje o przypadku, w tym status sprawy. (B) Tabela podsumowania próbek zawiera podsumowanie każdej próbki, w tym miejsce, diagnozę i komentarze. (C) Informacje o próbce zawierają dodatkowe informacje o próbce. (D) Panel sterowania sprawą do nawigacji po sprawie. Prawy diagram wskazuje miejsca biopsji prostaty i wyniki AI (czerwony rak, pomarańczowy-JAK NAJSZYBCIEJ i-łagodny). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-5
Rysunek 5: Okno podglądu obrazu. (A) Biblioteka obrazów (lewy pasek boczny) wyświetla alfabetycznie wszystkie próbki wraz z informacjami o rodzaju i statusie plamy. (B) Pasek narzędzi (u góry) do przenoszenia, dodawania adnotacji i udostępniania obrazów. (C) Informacje o przypadku/sztuczna inteligencja (prawy pasek boczny) do komentowania, komunikowania się z personelem i przeglądania opinii/wyników AI. W tym przypadku jest to biopsja prostaty z rakiem prostaty zamaskowanym przez AI (czerwony rak i zielony-Gleason 4). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-6
Rysunek 6: Dane wyjściowe AI. (A) Obraz histologiczny. (B) Informacje zwrotne AI, tj. ocena obrazu przez AI, w tym długość guza, wynik Gleasona, grupa ocen itp. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-7
Rycina 7: Model sztucznej inteligencji prostaty automatycznie ocenia obraz biopsji prostaty i pomaga w generowaniu raportów patologicznych. (A) Po analizie obrazów w IMS. (B) Sztuczna inteligencja przekazuje wyniki do raportu patologicznego. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-8
Rycina 8: Ocena AI na szkiełku cytologii moczu. Nieprawidłowe komórki urotelialne były wyróżnione na czerwono (komórki raka urotelialnego o wysokim stopniu złośliwości) i różowo (podejrzane komórki). Wyniki AI wyświetlane we wstawce (prawy górny róg). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

DokładnośćPrecyzjaCzułośćSpecyficznośćWynik F1
97%96%98%96%97%

Tabela 1: Wydajność modelu sztucznej inteligencji gruczołu krokowego do wykrywania gruczolakoraka w biopsjach gruczołu krokowego.

Dyskusja

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

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

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

Autorzy są zaangażowani w rozwój FlexLIS. System LIS/IMS, a także sztuczna inteligencja, został opracowany przez NovinoAI i jest własnością NovinoAI.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
FlexLISSztuczna inteligencja Novino

Bibliografia

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Patologia cyfrowapatologia oparta na sztucznej inteligencjisystem raportowania patomorfologicznegosystem zarz dzania obrazamitrenowanie modeli AIwykrywanie raka prostatyprzesiewowa cytologia moczupatologia obliczeniowaskanowanie cyfrowych preparat w histopatologicznych

Powiązane artykuły