学术分享 | 数字病理图像分析方法的开发( 五 ) _健康小知识

当然，还有其他数据驱动性、适应性的方法来确定免疫组化阳性截止点。关键的一点是，基于算法的交互作用，其参数和考虑中的数据，包括所有分析前的变异来源，使用数字病理学的图像分析可以给出一系列可信的结果。我们应该通过认识到潜在的错误和限制，并将这些融入到设计算法和解释输出，来持续抵制“客观的幻觉” 。
跨学科工作
这些观察结果不应被解释为削弱了数字病理学的重要性，也不应表明它不能或不会减少主观性；相反，他们强调，它不一定会有这样的影响。泛化是困难的，有很多陷阱，验证细节也很重要。开发真正强大的方法需要来自一系列学科的专业知识，包括病理学、组织学、成像、图像处理、机器学习、统计学和流行病学。这些问题正在得到解决，包括增加对数字病理学的“可解释人工智能”的关注，以及创建人工智能在临床试验中使用的指南。软件和算法开发人员可以通过记录他们的设计决策来提供帮助，将注意力集中到已知的弱点和关键参数，并提供可视化，使其他人更容易理解分析到底在做什么。
对于大多数定量分析来说，检测和分类仍然是最困难，也是最容易出错的步骤。即使使用深度学习方法时也会出现假阳性和假阴性，特别是在存在突变体的情况下。另一方面，从计算的角度来看，计数和量化通常是微不足道的。这在很大程度上代表了人类病理学家技能的倒置：一个有经验的病理学家可能会可靠地区分感兴趣的结构，而忽略突变体，但不能靠眼睛精确地数出100万个分类细胞或确定一个1-mm2热点。这表明，结合人类和计算机的优势，考虑到算法的局限性并合理使用才是最佳方法。定量分析的一个实用的解决方案是，在定义感兴趣的区域时，手工输入，以引导分析远离具有挑战性的区域。基于人工智能的评估方法是将人工智能作为一种分诊形式，优先考虑灵敏度而非特异性。

文章图片
图1：使用图像处理进行核分割，有/无深度学习。 (A)H&E原始图像。 (B)利用彩色反卷积和图像滤波提取苏木素信息的图像处理结果。 (C)使用公开可用的为荧光数据训练的StarDist深度学习模型进行细胞核分割。该模型使用处理后的图像作为输入，而不是原始图像，在没有对H&E图像进行训练的情况下，也能获得合理的核分割性能。 (D)采用传统图像处理的QuPath内建细胞检测结果。 StarDist深度学习方法产生了更规则的轮廓，并更好地处理密集区域，尽管检测到的核总数相似(分别为319和331) 。

文章图片
图2：算法参数和截止阈值对图像的影响。 QuPath的“阳性细胞检测”命令用于确定同一视场的Ki67标记指数，使用两个不同的扫描仪获取。这种传统的图像处理算法使用多个可调参数，虽然这里只有核检测和DAB阳性的阈值是不同的。水平方向上相邻的图像来自同一扫描仪，而垂直方向上相邻的图像使用相同的阈值生成。检测到的核显示为红色或蓝色，这分别取决于它们是否被分为阳性或阴性。改变阈值或扫描仪都可以从根本上改变结果，尽管通常是以可预测的方式(例如，高检测阈值会导致阴性核缺失，标记指数膨胀；高的DAB阈值会导致阳性核被误认为阴性，标记指数降低) 。将这些知识与标注图像的评估相结合，用户可以通过相应调整算法参数来识别和解决许多错误。
本文译自：JournalofPathology
JPathol2022