Introdução de um sistema integrado de gerenciamento de imagens de patologia, inteligência artificial e relatórios

Resumo

O gerenciamento integrado de imagens, a inteligência artificial (IA) e os sistemas de relatórios revolucionaram a prática da patologia diagnóstica. Neste artigo, apresentamos o FlexLIS, um sistema de última geração que permite que a IA auxilie os patologistas na realização de avaliações de imagens histopatológicas e na geração de relatórios de diagnóstico.

Resumo

O desenvolvimento de sistemas de relatórios eletrônicos (LIS), sistemas de gerenciamento de imagens (IMS) e modelos de IA revolucionou as práticas de patologia. Ao integrar IMS avançado e algoritmos sofisticados de IA, esses sistemas simplificam ainda mais o processo de diagnóstico, permitindo diagnósticos mais precisos e eficientes. O FlexLIS é um software de patologia digital de ponta que incorpora modelos de IA para análise de imagens e transcreve os resultados gerados por IA em relatórios de patologia abrangentes. Este sistema integrado por IA também pode oferecer suporte ao controle de qualidade (CQ), solicitar corantes especiais para casos desafiadores e facilitar consultas. Como resultado, tem o potencial de melhorar a precisão do diagnóstico e o fluxo de trabalho dos patologistas. Neste artigo, fornecemos um protocolo conciso para patologistas sobre como usar o software para revisar imagens de lâminas e gerar relatórios de patologia. Também discutimos sua aplicação no diagnóstico de câncer de próstata usando biópsia por agulha de próstata e rastreamento de câncer de bexiga por meio de citologia de urina, mostrando a versatilidade e o impacto da plataforma nas práticas clínicas.

Introdução

A patologia diagnóstica é uma importante especialidade médica que faz o diagnóstico de doenças por meio do exame de tecidos obtidos de pacientes. Amostras de tecido são processadas e seções finas de tecido são colocadas em lâminas de vidro, que são então coradas com produtos químicos como hematoxilina e eosina (H & E). Tradicionalmente, os patologistas examinam o tecido corado em lâminas de vidro sob microscópios e emitem relatórios de diagnóstico por meio de software de computador, ou seja, sistemas de informação laboratorial (LIS; Figura 1A). Na última década, a patologia digital foi gradualmente introduzida na prática da patologia, onde as lâminas de vidro foram digitalizadas digitalizando a lâmina de vidro para produzir uma imagem de lâmina inteira (WSI)¹. Os patologistas só precisam revisar as imagens das lâminas usando um sistema de gerenciamento de imagens (IMS) para renderizar diagnósticos, o que afeta significativamente o fluxo de trabalho da prática de patologia (Figura 1B). Mais recentemente, a inteligência artificial (IA) com aprendizado de máquina profundo de imagens histopatológicas digitalizadas oferece uma oportunidade potencial para melhorar a precisão e a eficiência diagnóstica dos patologistas ^1,2.

Devido à introdução e desenvolvimento de LIS, IMS e IA de patologia em diferentes períodos de tempo, esses sistemas são fornecidos por diferentes fornecedores e funcionam de forma independente. Atualmente, os patologistas precisam trabalhar com dois sistemas separados, ou seja, LIS para relatar diagnósticos e IMS para revisão de imagens¹. Além disso, os modelos atuais de IA são projetados para funcionar melhor com o IMS, mas não com o LIS³. A incompatibilidade de LIS, IMS e IA afeta significativamente o desenvolvimento e a implementação de modelos de patologia digital e IA na prática de patologia de rotina. É ideal e importante ter um sistema integrado que combine LIS e IMS para que a IA possa revisar imagens no IMS e gerar relatórios de patologia no LIS.

Portanto, é nosso objetivo desenvolver um sistema LIS/IMS/AI integrado e baseado em nuvem que permita aos patologistas acessar as imagens e emitir relatórios a qualquer hora e em qualquer lugar. Além disso, os modelos de IA interagem perfeitamente entre o IMS e o LIS para que os resultados da avaliação de imagens por IA no IMS possam ser transcritos automaticamente para os relatórios de patologia no LIS. Os patologistas só precisam revisar a imagem no IMS e confirmar o diagnóstico no LIS sem entrada manual. Neste artigo, apresentamos o protocolo para patologistas usarem o FlexLIS e demonstramos as aplicações do mundo real da análise e relatórios de imagem assistida por IA no diagnóstico de câncer de próstata e citologia de urina para rastreamento de câncer de bexiga.

Protocolo

O FlexLIS foi projetado com estrita adesão aos padrões de privacidade de dados e estruturas regulatórias, incluindo a Lei de Portabilidade e Responsabilidade de Seguros de Saúde (HIPAA). Todos os dados do paciente processados no sistema são criptografados em repouso e em trânsito usando protocolos padrão do setor.

1. Configuração da conta

1. Abra o navegador da Web. Digite Continuar (Figura 2). Um e-mail é enviado ao usuário.
2. Vá para o email e clique no link para entrar, que abrirá a janela Lista de acesso (Figura 3).

2. Digitalização de lâminas de vidro

1. Ligue o scanner digital e carregue as lâminas de vitral anteriores (ou seja, hematoxilina e eosina) no scanner.
2. Pressione Iniciar para iniciar a digitalização de lâminas de vidro. As imagens serão carregadas automaticamente no sistema por interface direta e organizadas em formato de caso, como os patologistas costumam ver na bandeja de slides.

3. Análise dos dados

1. Veja a lista de casos na janela Lista de Acessos (Figura 3 e Figura 4) e imagens correspondentes na janela Revisão de Imagens (Figura 5 e Figura 6).
   NOTA: O software usa os seguintes benchmarks para medir a usabilidade do usuário: taxa de sucesso da tarefa, tempo na tarefa, taxa de erro, número de ações por tarefa, escala de usabilidade do sistema (SUS) e satisfação do usuário por meio de estudos e entrevistas com usuários. Usamos o Datadog para monitoramento de usuários (RUM) em tempo real e para monitorar erros de aplicativos.
2. Na janela Lista de Acesso, o usuário vê a lista de casos atribuídos (Figura 3C). Clique no botão de seta para baixo na frente do estojo (PN24-00004) para ver as manchas ordenadas pela equipe e IA (PIN4 neste caso). Um ponto verde no ícone do microscópio indica a conclusão da análise de IA (Figura 2C). Um ponto vermelho na frente do número de acesso indica câncer detectado na imagem por IA (Figura 2C). Revisado/Pronto/Total indica o número total de imagens em cada categoria. O! após o número da imagem indica a avaliação de IA da qualidade da imagem (ou seja, imagens ausentes ou borradas).
3. Clique no ícone Usuário na frente do caso PN24-00004 , que leva o usuário à janela Revisão do Patologista (Figura 4). Todas as amostras estão listadas em ordem alfabética (Figura 4B) na Tabela de Resumo de Amostras. O usuário vê os resultados da análise de IA para cada amostra, incluindo Diagnóstico (Benigno, HGPIN, ASAP, Câncer) e Descrição (pontuações de Gleason, comprimento do tumor e grupo de notas; Figura 4B). Os usuários também veem os resultados da IA em um diagrama (vermelho-câncer, laranja-ASAP e preto-benigno; Figura 4B).
4. Clique no ícone Microscópio à esquerda para B (Figura 4B), que abre a janela Revisão de imagem (Figura 5). O usuário vê a imagem correspondente em uma janela separada de Revisão de Imagens (Figura 5). O usuário também vê anotações de IA, realces vermelhos indicam câncer e realces verdes indicam Gleason 4 (Figura 5).
5. Clique em C (Figura 5A) para visualizar a imagem C, clique em D para visualizar a imagem D, etc. Clique no ícone AI Feedback na Figura 5C para ver os detalhes das saídas de AI (Figura 6).

Resultados

Nesta seção, dois casos de uso são apresentados para demonstrar como a IA pode ajudar os patologistas a avaliar imagens e fornecer informações de diagnóstico.

Diagnóstico de câncer de próstata (Figura 7): Avaliação histopatológica da biópsia de próstata com câncer, incluindo comprimento e porcentagem do tumor, escores de Gleason (3, 4 e 5), porcentagem de Gleason 4 e 5, etc. Essas informações são então usadas para classificar os pacientes em grupos de 4 graus (1 a 4), sendo 4 o câncer de próstata mais agressivo ^4,5. Esta informação deve ser incluída no relatório de patologia; portanto, é um exemplo perfeito para ilustrar o diagnóstico de patologia assistido por IA.

Neste exemplo, as lâminas de vidro com biópsia de próstata foram inicialmente coradas com o procedimento de hematoxilina-eosina (H&E). A lâmina corada foi então digitalizada para gerar uma imagem de lâmina inteira (WSI), que foi carregada no sistema por meio de uma interface direta entre o computador do scanner e o software (Figura 7). Uma vez carregado, um modelo alimentado por IA processa o rótulo, identifica e marca todas as entidades, incluindo a fonte da amostra (ou seja, próstata) e o tipo de coloração (ou seja, H & E). Este modelo determina se a imagem é uma biópsia de próstata corada com H & E. Se for, outro modelo baseado em IA analisa a imagem e gera feedback ou saídas com base na análise (Figura 7A). Este modelo baseado em IA também é capaz de pré-encomendar colorações imuno-histoquímicas PIN4 para ajudar os patologistas a confirmar a presença de pequenas áreas tumorais (Figura 3).

Este modelo foi treinado em mais de 1700 imagens de lâminas inteiras da próstata (WSI) que foram anotadas em pixels por uma equipe de patologistas experientes. Após a anotação dos WSIs, um modelo de aprendizado profundo é aplicado para classificar os ladrilhos de tecido prostático em quatro categorias: Benigno, Gleason3, Gleason4 e Gleason5. Conforme ilustrado na Figura 5, as saídas baseadas em blocos são agregadas para criar uma máscara de lâmina inteira destacando regiões cancerígenas: Câncer (vermelho), Gleason4 (verde) e Gleason5 (azul; Figura 6). Além dessas máscaras, o modelo de IA gerou um rótulo final (Câncer ou Benigno) para o WSI da próstata. Essa classificação é baseada em características morfológicas, como as áreas de Gleason3, Gleason4 e Gleason5, a certeza das máscaras de Gleason3, Gleason4 e Gleason5 e outros fatores. O desempenho do nosso modelo de próstata atual para a detecção de câncer de próstata foi confirmado usando um conjunto independente de 1.000 WSIs que não foram usados durante o desenvolvimento ou validação do modelo. Cada slide no conjunto de validação é rotulado como Benigno ou Câncer. O modelo treinado também atribui um rótulo a cada slide, conforme descrito. Ao comparar os rótulos de verdade com as previsões do modelo, foram calculadas métricas de desempenho como precisão, sensibilidade, especificidade e pontuação F1, conforme apresentado na Tabela 1. Os resultados indicam que o modelo treinado tem desempenho comparável a outros modelos de IA da próstata⁶.

Além dos escores de Gleason, o modelo de IA é capaz de determinar o comprimento e a porcentagem do tumor e o grupo de notas (Figura 7). Além disso, o modelo de IA também é capaz de calcular a patologia baseada no grupo de risco NCCN e as informações clínicas, se fornecidas (Figura 7A). No FlexLIS, a IA é capaz de transcrever todas as informações de diagnóstico para o relatório de patologia, para que os patologistas não precisem inseri-las manualmente no relatório (Figura 7B). Embora todo o processo de IA seja concluído em segundo plano e não seja visível para os patologistas, os resultados da análise de IA e a mesma imagem são visíveis para os patologistas que podem decidir manter ou alterar os resultados da IA no relatório de patologia (Figura 7B).

Citologia de urina para rastreamento de câncer de bexiga: A citologia de urina é o principal método não invasivo para rastreamento, diagnóstico e monitoramento do câncer de bexiga⁷. A citologia urinária classifica os pacientes em quatro categorias: negativo para carcinoma urotelial de alto grau, células uroteliais atípicas, suspeito de carcinoma urotelial de alto grau e carcinoma urotelial de alto grau⁸. A revisão da citologia da urina requer experiência e habilidade e consome muito tempo. Portanto, a triagem citológica de urina assistida por IA é altamente exigida. Este caso apresenta uma avaliação de célula única por IA.

O exame de lâminas de citologia de urina pode ser um processo trabalhoso e demorado para os patologistas. Requer uma varredura meticulosa de campos amplos e frequentemente aumentar e diminuir o zoom para localizar células raras e diagnosticalmente significativas, muitas vezes semelhantes a uma busca por uma agulha no palheiro. Essa abordagem manual não apenas exige tempo e foco consideráveis, mas também contribui para a fadiga diagnóstica e a potencial variabilidade nas interpretações. Para agilizar esse processo, o modelo de citologia de urina baseado em IA integrado ao FlexLIS foi desenvolvido para apoiar os patologistas, detectando e classificando automaticamente uma ampla gama de tipos de células em amostras de urina. O modelo é capaz de identificar as seguintes categorias: HGUC (células de carcinoma urotelial de alto grau), suspeitas (células uroteliais com anormalidades acentuadas sugestivas de malignidade, mas não definitivamente diagnósticas), células uroteliais atípicas, hemácias (glóbulos vermelhos), cristais, linfócitos, células polimorfas, vírus do polioma, células tubulares renais, espermatozoides, células escamosas, células uroteliais normais, leveduras e outros. Para melhorar ainda mais a usabilidade, as categorias diagnósticas significativas - HGUC, células uroteliais atípicas e suspeitas - são destacadas usando cores distintas (Figura 8), permitindo que os patologistas se concentrem rapidamente em áreas de interesse sem a necessidade de varredura manual exaustiva.

Além disso, o modelo de IA quantifica o número de células em cada categoria detectada e integra perfeitamente esses dados na saída (Figura 8). Esses achados são transcritos automaticamente para o relatório de patologia, permitindo que o patologista se concentre apenas na revisão, verificação e finalização do caso. Isso aumenta muito a eficiência do diagnóstico, reduz a carga de trabalho manual e promove consistência e precisão entre os relatórios.

Para treinar o modelo de IA, 500 regiões foram selecionadas aleatoriamente a partir de 150 imagens de lâminas inteiras de amostras de citologia de urina. Citopatologistas especialistas anotaram manualmente as células dentro dessas regiões em 14 categorias predefinidas, conforme descrito anteriormente, resultando em mais de 30.000 células anotadas. Regiões de 80% das lâminas foram utilizadas para treinamento, enquanto os 20% restantes foram reservados para validação. Um modelo de detecção de objetos foi então treinado e avaliado para identificar e classificar com precisão as células nas categorias definidas.

Além dos modelos de citologia de próstata e urina, o modelo de IA de gastroenterologia também está disponível no software. Outros modelos, incluindo câncer de bexiga e câncer de pulmão, estão em processo de desenvolvimento.

Figura 1: Fluxo de trabalho de patologia. (A) Fluxo de trabalho de patologia tradicional. (B) Fluxo de trabalho de patologia digital. Clique aqui para ver uma versão maior desta figura.

Figura 2: Janela de login. Digite o e-mail na caixa de e-mail. Clique aqui para ver uma versão maior desta figura.

Figura 3: Janela Lista de Acesso. (A) A barra lateral esquerda indica diferentes opções do usuário. (B) Filtro de Adesão para pesquisar e classificar os casos. (C) Lista de acesso com as informações de cada caso, incluindo número de acesso, nome do paciente, status do caso, número e qualidade das imagens, etc. Neste caso, 4 casos foram atribuídos ao usuário. Clique aqui para ver uma versão maior desta figura.

Figura 4: Janela de revisão do patologista. (A) Informações do caso, incluindo o status do caso. (B) A tabela de resumo de amostras fornece um resumo de cada amostra, incluindo local, diagnóstico e comentários. (C) As informações da amostra fornecem informações adicionais sobre a amostra. (D) Painel de controle do caso para navegar no caso. O diagrama à direita indica os locais da biópsia da próstata e os resultados da IA (vermelho-câncer, laranja-ASAP e preto-benigno). Clique aqui para ver uma versão maior desta figura.

Figura 5: Janela de revisão de imagem. (A) A biblioteca de imagens (barra lateral esquerda) lista todas as amostras em ordem alfabética com informações sobre o tipo e o status da mancha. (B) Barra de ferramentas (superior) para mover, anotar e compartilhar as imagens. (C) Informações do caso/IA (barra lateral direita) para fazer comentários, comunicar-se com a equipe e visualizar feedback/resultados de IA. Este caso é uma biópsia de próstata com câncer de próstata mascarado por IA (câncer vermelho e verde-Gleason 4). Clique aqui para ver uma versão maior desta figura.

Figura 6: Saídas de IA. (A) Imagem histológica. (B) Feedback de IA, ou seja, avaliação de imagem por IA, incluindo comprimento do tumor, pontuação de Gleason, grupo de notas, etc. Clique aqui para ver uma versão maior desta figura.

Figura 7: O modelo de IA da próstata avalia automaticamente a imagem da biópsia da próstata e auxilia na geração de relatórios de patologia. (A) Após análise das imagens no IMS. (B) A IA envia os resultados para o relatório de patologia. Clique aqui para ver uma versão maior desta figura.

Figura 8: Avaliação por IA da lâmina de citologia de urina. As células uroteliais anormais foram destacadas em vermelho (células cancerígenas uroteliais de alto grau) e rosa (células suspeitas). Resultados de IA mostrados no encarte (canto superior direito). Clique aqui para ver uma versão maior desta figura.

Exatidão	Precisão	Sensibilidade	Especificidade	Pontuação F1
97%	96%	98%	96%	97%

Tabela 1: Desempenho do modelo de IA da próstata para detecção de adenocarcinoma em biópsias de próstata.

Discussão

A aplicação bem-sucedida e precisa do FlexLIS depende de várias etapas críticas dentro do processo, que podem ser definidas como fatores pré-analíticos, analíticos e pós-analíticos¹. O fator pré-analítico mais importante é a qualidade da imagem, que é afetada por scanners digitais, etiquetas de lâminas e coloração. A baixa qualidade das imagens afeta significativamente a avaliação da imagem e o desempenho da IA. Os fatores analíticos incluem velocidade da internet, qualidade de exibição da imagem (pixel e resolução), estabilidade do software e operação correta pelos usuários. Os fatores pós-analíticos incluem armazenamento e retenção de imagens, backup de imagens, resiliência, segurança de dados e conformidade com HIPAA¹. Como o software é projetado por patologistas para patologistas, muitos possíveis erros analíticos encontrados na prática diária, incluindo má operação, podem ser detectados e sinalizados pelo software para garantir que esses erros sejam corrigidos antes de passar para a próxima etapa. Por exemplo, se uma imagem não for revisada e o diagnóstico não for inserido (Figura 4), o caso não poderá ser finalizado.

Embora o software simplifique significativamente o fluxo de trabalho, ajustes ocasionais ou solução de problemas podem ser necessários. Por exemplo, podem surgir discrepâncias entre as avaliações da IA e as interpretações do patologista. Essas diferenças podem resultar de fatores como qualidade da imagem, variações nas técnicas de coloração de lâminas ou a presença de tipos raros de tumores e padrões histopatológicos que foram sub-representados nos conjuntos de dados de treinamento inicial. Para enfrentar esses desafios, é utilizada uma abordagem human-in-the-loop, onde os patologistas fornecem feedback ao modelo de IA. Esse feedback é usado para atualizar periodicamente o modelo com dados de treinamento novos e mais diversificados, melhorando sua precisão e generalização ao longo do tempo. Isso garante que o sistema continue a evoluir e melhorar com base na experiência clínica do mundo real.

Embora cada sistema LIS⁹, IMS e AI¹⁰ tenha sido relatado anteriormente, o FlexLIS se destaca como um sistema integrado que, até onde sabemos, não foi relatado anteriormente. Mais importante, este sistema integrado, incluindo seus modelos de IA, tem sido usado diariamente em várias práticas de patologia e demonstrou sua utilidade e confiabilidade. Esse sistema foi projetado para ser usado em laboratórios de patologia de rotina, portanto, suporta o manuseio e o relato de uma variedade de amostras de patologia, incluindo próstata, bexiga, mama, pulmão, GI, GYN, etc. Este sistema incorpora vários recursos de controle de qualidade baseados em IA, incluindo detecção e sinalização de artefatos nas imagens (tecido borrado e ausente), o que pode afetar a precisão do diagnóstico. Finalmente, este sistema é muito flexível e pode ser adaptado às necessidades específicas de cada laboratório individual.

As aplicações futuras deste sistema integrado LIS/IMS/AI são muito amplas, incluindo serviços clínicos, pesquisa biomédica e educação de estudantes de medicina/residentes. Ele oferece um módulo de pesquisa separado que garante o cumprimento de altos padrões em pesquisa, incluindo aqueles exigidos pelo Conselho de Revisão Institucional, como 1) desidentificar as imagens apagando o rótulo do slide original que contém o ID do paciente e atribuir um novo ID de pesquisa; 2) classificar e organizar slides e estojos conforme exigido pelo desenho do estudo; 3) registrar e rastrear o diagnóstico e comentários dos participantes para análise e resumo dos dados, etc.

Sua utilidade na educação é evidenciada por nosso projeto de treinamento de residentes^{em andamento 11}, que indica que a assistência de IA pode aumentar a precisão dos residentes na identificação das principais características histopatológicas. Vários recursos do software descritos aqui, incluindo o IMS fácil de usar e um grande número de imagens no sistema, acesso controlável de máscaras e anotações de IA, recursos integrados do ChatGPT específicos para patologia e capacidade de compartilhamento de casos segura e conveniente, o tornam uma plataforma útil para aprendizado autodirigido e treinamento guiado por mentor.

Atualmente, o software enfrenta várias limitações e desafios, como qualquer outra plataforma de gerenciamento de imagens baseada em IA¹. Os desafios de integração, incluindo interface com EMR existente, armazenamento e recuperação de imagens grandes, etc., devem ser levados em consideração durante a implementação. A generalização dos modelos de IA em diferentes instituições, scanners, protocolos de coloração e populações de pacientes, bem como a sensibilidade a artefatos de imagem, variabilidade na preparação de tecidos e padrões histológicos raros, são algumas limitações associadas aos modelos de IA de patologia. Finalmente, a interoperabilidade é outro desafio dos sistemas de IA de patologia devido à fragmentação de formatos de dados, terminologia diagnóstica e ferramentas específicas da plataforma.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
FlexLIS	Novino IA