stringtranslate.com

Цифровая патология

Цифровая патология является важной частью патологической информатики и охватывает такие темы, как сканирование слайдов, цифровая визуализация, анализ изображений и телепатология .

Цифровая патология — это подраздел патологии , который фокусируется на управлении и анализе информации, полученной из оцифрованных слайдов образцов. Он использует компьютерную технологию и виртуальную микроскопию для просмотра, управления, обмена и анализа цифровых слайдов на компьютерных мониторах. [1] Эта область имеет применение в диагностической медицине и направлена ​​на достижение более эффективных и экономичных диагнозов , прогнозов и предсказаний заболеваний за счет достижений в области машинного обучения и искусственного интеллекта в здравоохранении . [2] [3]

История

Корни цифровой патологии восходят к 1960-м годам с ранними экспериментами по телепатологии . Концепция виртуальной микроскопии возникла в 1990-х годах в различных областях исследований в области естественных наук [4] . На рубеже веков научное сообщество все больше соглашалось с термином «цифровая патология» для обозначения усилий по оцифровке в патологии. Однако в 2000 году технические требования (сканер, хранилище, сеть) все еще были ограничивающим фактором для широкого распространения концепций цифровой патологии. Это изменилось, когда на рынке появились новые мощные и доступные технологии сканирования, а также технологии массового/ облачного хранения . Область радиологии претерпела цифровую трансформацию почти 15 лет назад, не потому, что радиология стала более продвинутой, а потому, что существуют фундаментальные различия между цифровыми изображениями в радиологии и цифровой патологии: источником изображения в радиологии является (живой) пациент, и сегодня в большинстве случаев изображение даже в основном фиксируется в цифровом формате. В патологии сканирование выполняется с сохраненных и обработанных образцов, для ретроспективных исследований даже с предметных стекол, хранящихся в биобанке . Помимо этой разницы в преаналитике и содержании метаданных , требуемое хранилище в цифровой патологии на два-три порядка больше, чем в радиологии. Однако преимущества, ожидаемые с помощью цифровой патологии, аналогичны преимуществам в радиологии:

Цифровая патология сегодня широко используется в образовательных целях [5] в телепатологии и телеконсультации , а также в исследовательских проектах. Цифровая патология позволяет делиться и аннотировать слайды гораздо проще, а загрузка аннотированных лекций создает новые возможности для электронного обучения и обмена знаниями в области патологии. Цифровая патология в диагностике является новой и перспективной областью.

Среда

Сканировать

Сканер для микроскопических слайдов.
Сравнение качества изображения всего слайда, слева слайд отсканирован с 20-кратным объективом и размером около 0,8 гигабайт (ГБ), справа — с 40-кратным объективом и размером около 1,2 ГБ. На каждом изображении показана эритроцит.

Цифровые слайды создаются из стеклянных слайдов с помощью специализированных сканирующих машин. Все высококачественные сканы должны быть свободны от пыли, царапин и других препятствий. Существует два распространенных метода сканирования цифровых слайдов: сканирование на основе плиток и сканирование на основе линий. [6] Обе технологии используют встроенную камеру и моторизованный столик для перемещения слайда, пока части ткани визуализируются. Сканеры плиток захватывают квадратные изображения поля зрения, охватывающие всю область ткани на слайде, в то время как линейные сканеры захватывают изображения ткани длинными непрерывными полосами, а не плитками. В обоих случаях программное обеспечение, связанное со сканером, сшивает плитки или линии вместе в единое бесшовное изображение.

Z-стекинг – это сканирование слайда в нескольких фокальных плоскостях вдоль вертикальной оси z. [7]

Вид

Цифровые слайды доступны для просмотра через монитор компьютера и программное обеспечение для просмотра локально или удаленно через Интернет. Примером веб-просмотрщика с открытым исходным кодом , реализованного для этой цели на чистом JavaScript для настольных компьютеров и мобильных устройств, является просмотрщик OpenSeadragon [8] . QuPath [9] — еще одно такое программное обеспечение с открытым исходным кодом, которое часто используется для приложений цифровой патологии, поскольку оно предлагает мощный набор инструментов для работы с изображениями целых слайдов. OpenSlide, [10] с другой стороны, представляет собой библиотеку C ( также доступны привязки Python и Java ), которая предоставляет простой интерфейс для чтения и просмотра изображений целых слайдов.

Управлять

Цифровые слайды хранятся в системе управления информацией, которая позволяет осуществлять архивацию и интеллектуальный поиск.

Сеть

Цифровые слайды часто хранятся и передаются через Интернет или частные сети для просмотра и консультаций.

Анализировать

Инструменты анализа изображений используются для получения объективных количественных мер из цифровых слайдов. Алгоритмы сегментации и классификации изображений , часто реализуемые с использованием нейронных сетей глубокого обучения , используются для идентификации областей и объектов, значимых с медицинской точки зрения, на цифровых слайдах. Разработано программное обеспечение для ускорения графического процессора для анализа изображений патологии, перекрестного сравнения пространственных границ огромного количества сегментированных микроанатомических объектов. [11] Основной алгоритм PixelBox в этом программном обеспечении был принят в библиотеке Geometric Performance Primitives (GPP) Fixstars [12] как часть NVIDIA Developer, которая является движком геометрии производства для передовых графических информационных систем, автоматизации электронного проектирования, компьютерного зрения и решений по планированию движения. [13]

Интегрировать

Рабочий процесс цифровой патологии интегрирован в общую операционную среду учреждения. Ожидается, что оцифровка слайдов сократит количество рутинных, просматриваемых вручную слайдов, что максимально увеличит эффективность рабочей нагрузки.

Поделиться

Цифровая патология также позволяет обмениваться информацией в Интернете для образования, диагностики, публикации и исследования. Это может принимать форму общедоступных наборов данных или открытого доступа к алгоритмам машинного обучения .

Вызовы

Костная ткань особенно склонна к артефактам складок . На этой микрофотографии автоматическая камера сфокусирована на складке (слева на изображении), что приводит к аберрации расфокусировки (размытию) окружающей ткани (справа на изображении).
В этом случае нет четкого различия между опухолевыми клетками и окружающими их крупными стромальными клетками, что требует разграничения перед применением инструментов автоматического количественного определения окраски.

Цифровая патология была одобрена FDA для первичной диагностики. [16] Одобрение было основано на многоцентровом исследовании 1992 случаев, в которых было показано, что визуализация всего предметного стекла (WSI) не уступает микроскопии в широком диапазоне образцов хирургической патологии, типов образцов и пятен. [17] Хотя у WSI есть преимущества при создании цифровых данных со стеклянных слайдов, когда дело доходит до приложений телепатологии в реальном времени, WSI не является сильным выбором для обсуждения и сотрудничества между несколькими удаленными патологами. [18] Кроме того, в отличие от цифровой радиологии, где исключение пленки сделало возврат инвестиций (ROI) очевидным, ROI в цифровое патологоанатомическое оборудование менее очевиден. Самым сильным обоснованием ROI является улучшение качества здравоохранения, повышение эффективности для патологоанатомов и снижение затрат на обработку стеклянных слайдов. [19]

Проверка

Валидация рабочего процесса цифровой микроскопии в определенной среде (см. выше) важна для обеспечения высокой диагностической эффективности патологов при оценке цифровых изображений всего предметного стекла. Существуют различные методы, которые можно использовать для этого процесса валидации. [20] Коллегия американских патологов опубликовала руководство с минимальными требованиями к валидации систем визуализации всего предметного стекла для диагностических целей в патологии человека. [21]

Потенциал

Обученные патологи традиционно просматривают слайды тканей под микроскопом. Эти слайды тканей могут быть окрашены , чтобы выделить клеточные структуры. Когда слайды оцифрованы, их можно совместно использовать с помощью телепатологии и численно анализировать с помощью компьютерных алгоритмов. Алгоритмы могут использоваться для автоматизации ручного подсчета структур или для классификации состояния ткани, например, для классификации опухолей. Их также можно использовать для обнаружения признаков митотических фигур, эпителиальных клеток или специфичных для тканей структур, таких как узелки рака легких, клубочки или сосуды, или для оценки молекулярных биомаркеров, таких как мутировавшие гены, мутационная нагрузка опухоли или транскрипционные изменения. [22] [23] [24] Это может снизить человеческий фактор и повысить точность диагностики. Цифровые слайды можно легко совместно использовать, что увеличивает потенциал использования данных в образовании, а также в консультациях между экспертами-патологами. Мультиплексная визуализация (окрашивание нескольких маркеров на одном слайде) позволяет патологам лучше понять распределение типов клеток и их относительное расположение. [25] Понимание пространственного распределения типов клеток или маркеров и путей, которые они экспрессируют, может позволить назначать целевые препараты или разрабатывать комбинированные терапии персонализированным образом.

Смотрите также

Ссылки

  1. ^ Пантановиц Л. (2018). «Двадцать лет цифровой патологии: обзор пройденного пути, что на горизонте и появление архивов, нейтральных по отношению к поставщикам». Журнал информатики патологии . 9 : 40. doi : 10.4103/jpi.jpi_69_18 . PMC  6289005. PMID  30607307 .
  2. ^ "Полная визуализация слайда | MBF Bioscience". www.mbfbioscience.com . Получено 2019-12-02 .
  3. ^ Сайяр, Чарли; Дюбуа, Реми; Чита, Усама; Луазо, Николя; Гарсия, Тьерри; Адриансен, Орели; Карпентье, Северин; Рейр, Джоэль; Энея, Диана; фон Лога, Катарина; Камун, Орели; Россат, Стефан; Вискарт, Корентен; Сефта, Мерием; Оффре, Микаэль (06 ноября 2023 г.). «Валидация MSIntuit как инструмента предварительного скрининга на основе искусственного интеллекта для обнаружения MSI на гистологических слайдах колоректального рака». Природные коммуникации . 14 (1): 6695. doi : 10.1038/s41467-023-42453-6. ISSN  2041-1723. PMC 10628260. PMID  37932267 . 
  4. ^ Феррейра, Р.; Мун, Дж.; Хамфрис, Дж.; Сассман, А.; Сальц, Дж.; Миллер, Р.; Демарзо, А. (1997). «Виртуальный микроскоп». Румынский журнал морфологии и эмбриологии . 45 : 449–453. PMC 2233368. PMID  9357666 . 
  5. ^ Гамильтон, Питер В.; Ван, Иньхай; Маккалоу, Стивен Дж.; Сассман (2012). «Виртуальная микроскопия и цифровая патология в обучении и образовании». APMIS . 120 (4): 305–315. doi : 10.1111/j.1600-0463.2011.02869.x . PMID  22429213. S2CID  20599493.
  6. ^ «Информатика, цифровая и вычислительная патология».
  7. ^ Эванс А. Дж., Салама М. Э., Хенрикс В. Х., Пантанович Л. (2017). «Внедрение визуализации всего слайда в клинических целях: вопросы, которые следует учитывать с точки зрения первых пользователей». Arch Pathol Lab Med . 141 (7): 944–959. doi : 10.5858/arpa.2016-0074-OA . PMID  28440660.
  8. ^ OpenSeadragon на GitHub
  9. ^ QuPath на GitHub
  10. ^ Сайт OpenSlide
  11. ^ Kaibo Wang; Yin Huai; Rubao Lee; Fusheng Wang; Xiaodong Zhang; Joel H. Saltz (2012). "Ускорение перекрестного сравнения данных изображений патологии на гибридных системах CPU-GPU" . Труды VLDB Endowment. Труды VLDB Endowment. Международная конференция по сверхбольшим базам данных . Том 5, № 11. стр. 1543–1554. PMC 3553551 . PMID  23355955. 
  12. ^ "Геометрические примитивы производительности (GPP)". Разработчик NVIDIA .
  13. ^ «Письмо Кайбо Вану» (PDF) .
  14. ^ Lourenço BC, Guimarães-Teixeira C, Flores BCT, Miranda-Gonçalves V, Guimarães R, Cantante M и др. (2022). «Экспрессия Ki67 и LSD1 в опухолях зародышевых клеток яичек не связана с исходом для пациента: исследование с использованием алгоритма цифровой патологии». Life . 12 (2): 264. doi : 10.3390/life12020264 . PMC 8875543 . PMID  35207551. 
    - Рисунок 2 - доступно по лицензии: Creative Commons Attribution 4.0 International
  15. ^ Cruz-Roa A, Gilmore H, Basavanhally A, Feldman M, Ganesan S, Shih NNC и др. (2017). «Точное и воспроизводимое обнаружение инвазивного рака молочной железы на изображениях всего слайда: подход глубокого обучения для количественной оценки степени опухоли». Sci Rep . 7 : 46450. doi : 10.1038/srep46450. PMC 5394452. PMID  28418027 . 
    «Данная работа лицензирована в соответствии с лицензией Creative Commons Attribution 4.0 International».
  16. ^ "FDA разрешает продажу первой системы визуализации целых слайдов для цифровой патологии" (пресс-релиз). FDA . 12 апреля 2017 г. . Получено 24 мая 2017 г. .
  17. ^ Mukhopadhyay, Sanjay; Feldman, Michael; Abels, Esther (2017). «Полная визуализация слайда по сравнению с микроскопией для первичной диагностики хирургической патологии: многоцентровое рандомизированное слепое исследование не меньшей эффективности 1992 случаев (основное исследование)». American Journal of Surgical Pathology . 42 (1): 39–52. doi :10.1097/PAS.00000000000000948. PMC 5737464 . PMID  28961557. 
  18. ^ Siegel, Gabriel; Regelman, Dan; Maronpot, Robert; Rosenstock, Moti; Hayashi, Shim-mo; Nyska, Abraham (октябрь 2018 г.). «Использование новой системы телепатологии в доклинических исследованиях и экспертной оценке». Journal of Toxicologic Pathology . 31 (4): 315–319. doi :10.1293/tox.2018-0032. PMC 6206289 . PMID  30393436. 
  19. ^ "Как построить бизнес-кейс для обоснования инвестиций в цифровую патологию". Sectra Medical Systems . Получено 26 апреля 2015 г.
  20. ^ Бертрам, Кристоф А.; Стафоникос, Николас; Донован, Тарин А.; Бартель, Александр; Фукс-Баумгартингер, Андреа; Липник, Каролина; кан Дист, Пол Дж.; Бонсембианте, Федерико; Клопфляйш, Роберт (сентябрь 2021 г.). «Валидация цифровой микроскопии: обзор методов валидации и источников смещения». Ветеринарная патология . 59 (1): 26–38. doi :10.1177/03009858211040476. PMC 8761960. PMID  34433345 . 
  21. ^ Эванс, Эндрю Дж.; Браун, Ричард; Буй, Мэрилин (2021). «Проверка систем визуализации целых слайдов для диагностических целей в патологии: обновление рекомендаций Колледжа американских патологов в сотрудничестве с Американским обществом клинической патологии и Ассоциацией патологической информатики». Arch Pathol Lab Med . 146 (4): 440–450. doi : 10.5858/arpa.2020-0723-CP . PMID  34003251.
  22. ^ Aeffner, Famke; Zarella, Mark D.; Buchbinder, Nathan; Bui, Marilyn M.; Goodman, Matthew R.; Hartman, Douglas J.; Lujan, Giovanni M.; Molani, Mariam A.; Parwani, Anil V.; Lillard, Kate; Turner, Oliver C. (2019-03-08). "Введение в цифровой анализ изображений в визуализации всего слайда: Белая книга от Ассоциации цифровой патологии". Журнал информатики патологии . 10 : 9. doi : 10.4103/jpi.jpi_82_18 . ISSN  2229-5089. PMC 6437786. PMID 30984469  . 
  23. ^ Джейн, Мика С.; Массуд, Тарик Ф. (2020). «Прогнозирование мутационной нагрузки опухоли по гистопатологическим изображениям с использованием многомасштабного глубокого обучения». Nature Machine Intelligence . 2 (6): 356–362. doi :10.1038/s42256-020-0190-5. ISSN  2522-5839. S2CID  220510782.
  24. ^ Сераг, Ахмед; Ион-Марджиняну, Адриан; Куреши, Хаммад; Макмиллан, Райан; Сен-Мартен, Мари-Джудит; Даймонд, Джим; О'Рейли, Пол; Гамильтон, Питер (2019). «Трансляционный ИИ и глубокое обучение в диагностической патологии». Frontiers in Medicine . 6 : 185. doi : 10.3389/fmed.2019.00185 . ISSN  2296-858X. PMC 6779702. PMID 31632973  . 
  25. ^ Nirmal, Ajit J.; Maliga, Zoltan; Vallius, Tuulia; Quattrochi, Brian; Chen, Alyce A.; Jacobson, Connor A.; Pelletier, Roxanne J.; Yapp, Clarence; Arias-Camison, Raquel; Chen, Yu-An; Lian, Christine G. (11.04.2022). «Пространственный ландшафт прогрессирования и иммуноредактирования первичной меланомы при разрешении на уровне одной клетки». Cancer Discovery . 12 (6): 1518–1541. doi : 10.1158/2159-8290.CD-21-1357. ISSN  2159-8290. PMC 9167783. PMID 35404441  . 

Дальнейшее чтение