當然 ， 還有其他數據驅動性、適應性的方法來確定免疫組化陽性截止點 。 關鍵的一點是 ， 基于算法的交互作用 ， 其參數和考慮中的數據 ， 包括所有分析前的變異來源 ， 使用數字病理學的圖像分析可以給出一系列可信的結果 。 我們應該通過認識到潛在的錯誤和限制 ， 并將這些融入到設計算法和解釋輸出 ， 來持續抵制“客觀的幻覺” 。
跨學科工作
這些觀察結果不應被解釋為削弱了數字病理學的重要性 ， 也不應表明它不能或不會減少主觀性；相反 ， 他們強調 ， 它不一定會有這樣的影響 。 泛化是困難的 ， 有很多陷阱 ， 驗證細節也很重要 。 開發真正強大的方法需要來自一系列學科的專業知識 ， 包括病理學、組織學、成像、圖像處理、機器學習、統計學和流行病學 。 這些問題正在得到解決 ， 包括增加對數字病理學的“可解釋人工智能”的關注 ， 以及創建人工智能在臨床試驗中使用的指南 。 軟件和算法開發人員可以通過記錄他們的設計決策來提供幫助 ， 將注意力集中到已知的弱點和關鍵參數 ， 并提供可視化 ， 使其他人更容易理解分析到底在做什么 。
對于大多數定量分析來說 ， 檢測和分類仍然是最困難 ， 也是最容易出錯的步驟 。 即使使用深度學習方法時也會出現假陽性和假陰性 ， 特別是在存在突變體的情況下 。 另一方面 ， 從計算的角度來看 ， 計數和量化通常是微不足道的 。 這在很大程度上代表了人類病理學家技能的倒置：一個有經驗的病理學家可能會可靠地區分感興趣的結構 ， 而忽略突變體 ， 但不能靠眼睛精確地數出100萬個分類細胞或確定一個1-mm2熱點 。 這表明 ， 結合人類和計算機的優勢 ， 考慮到算法的局限性并合理使用才是最佳方法 。 定量分析的一個實用的解決方案是 ， 在定義感興趣的區域時 ， 手工輸入 ， 以引導分析遠離具有挑戰性的區域 。 基于人工智能的評估方法是將人工智能作為一種分診形式 ， 優先考慮靈敏度而非特異性 。

文章圖片
圖1：使用圖像處理進行核分割 ， 有/無深度學習 。 (A)H&E原始圖像 。 (B)利用彩色反卷積和圖像濾波提取蘇木素信息的圖像處理結果 。 (C)使用公開可用的為熒光數據訓練的StarDist深度學習模型進行細胞核分割 。 該模型使用處理后的圖像作為輸入 ， 而不是原始圖像 ， 在沒有對H&E圖像進行訓練的情況下 ， 也能獲得合理的核分割性能 。 (D)采用傳統圖像處理的QuPath內建細胞檢測結果 。 StarDist深度學習方法產生了更規則的輪廓 ， 并更好地處理密集區域 ， 盡管檢測到的核總數相似(分別為319和331) 。

文章圖片
圖2：算法參數和截止閾值對圖像的影響 。 QuPath的“陽性細胞檢測”命令用于確定同一視場的Ki67標記指數 ， 使用兩個不同的掃描儀獲取 。 這種傳統的圖像處理算法使用多個可調參數 ， 雖然這里只有核檢測和DAB陽性的閾值是不同的 。 水平方向上相鄰的圖像來自同一掃描儀 ， 而垂直方向上相鄰的圖像使用相同的閾值生成 。 檢測到的核顯示為紅色或藍色 ， 這分別取決于它們是否被分為陽性或陰性 。 改變閾值或掃描儀都可以從根本上改變結果 ， 盡管通常是以可預測的方式(例如 ， 高檢測閾值會導致陰性核缺失 ， 標記指數膨脹；高的DAB閾值會導致陽性核被誤認為陰性 ， 標記指數降低) 。 將這些知識與標注圖像的評估相結合 ， 用戶可以通過相應調整算法參數來識別和解決許多錯誤 。
本文譯自：JournalofPathology
JPathol2022

• 學術前沿：科學家在三陰性炎性乳腺癌領域取得新進展，可促進靶向治療方法開發
• 豆媽分享2種素菜包子餡，素餡軟而鮮甜，越吃越有味道
• 廚娘分享最好吃的丸子做法，加上糯米上鍋一蒸，好吃又解饞，真香
• 尿蛋白|醫案分享：痛經-臍痛舒
• 學術前沿：“復旦腫瘤”團隊揭示三陰性乳腺癌逃避細胞死亡的新機制
• 學術前沿：科學家在人體衰老及衰老相關疾病領域取得新進展
• 經驗分享：溶瘤病毒作為治療腫瘤新療法的探討
• 今天就給大家分享一個大黃米湯圓的做法，快來看看吧
• 今天主要給大家分享的是豆腐皮，快來看看吧
• 健康中國 母親行動 | 請把這些健康小知識分享給每一位母親！