Translational AI and Deep Learning in Diagnostic Pathology

Abstract

There has been an exponential growth in the application of AI in health and in pathology. This is resulting in the innovation of deep learning technologies that are specifically aimed at cellular imaging and practical applications that could transform diagnostic pathology. This paper reviews the different approaches to deep learning in pathology, the public grand challenges that have driven this innovation and a range of emerging applications in pathology. The translation of AI into clinical practice will require applications to be embedded seamlessly within digital pathology workflows, driving an integrated approach to diagnostics and providing pathologists with new tools that accelerate workflow and improve diagnostic consistency and reduce errors. The clearance of digital pathology for primary diagnosis in the US by some manufacturers provides the platform on which to deliver practical AI. AI and computational pathology will continue to mature as researchers, clinicians, industry, regulatory organizations and patient advocacy groups work together to innovate and deliver new technologies to health care providers: technologies which are better, faster, cheaper, more precise, and safe.

Digital Era and Artificial Intelligence in Pathology: Basic Information

“…5,9 Bunun gerçekleştirilmesi için önce sağlam bir dijital patoloji alt yapısının kurulmuş olması ve çok miktarda kaliteli verinin uzmanlar tarafından işaretlenmesi gerekir. 2,4,6,11 Dijital patoloji uygulaması, konvansiyonel teknikle hazırlanmış lamların WSI teknolojisine dayalı özel bir tarayıcı ile taranması ve dijital ortama aktarılması ile başlar. 1,6,12 Yeni nesil tarayıcılar bir slaytı çok sayıda vertikal fokal plan hâlinde (z-stacking) tarayabilirler.…”

“…5,20 Dijital patoloji görüntülerinde yapay zekâ algoritmaları kullanılarak manuel ve subjektif olan birçok işlem otomatik ve standardize hâle gelebilir. 3,4,11 Patolojiye uygulanan yapay zekâ, bir bilişimsel (computational) patoloji şeklidir. Bilişimsel patoloji, birçok veri kaynağını (diğer bir deyişle bigdata'yı) (örneğin patoloji, radyoloji, klinik, moleküler ve laboratuvar verileri) bir araya getiren, matematiksel yöntemlerle bu verilerden çıkarımlar elde eden ve kliniğin kullanabileceği bilgiler hâlinde sunan bir yaklaşımdır (Şekil 1).…”

“…Özellikle genetik ve doku bazlı biyobelirteçler ile olgu-spesifik değerlendirme gereken zorlu durumlarda ŞEKİL 1: Bilişimsel patolojiyi oluşturan unsurlar. 4,11,27 patolojik tanıya ve onkolojik tedaviye katkısı olacağı düşünülmektedir. Hastalık şiddetinin değerlendirilmesi ve prognozun belirlenmesi, patolojide yapay zekânın kullanılacağı geniş bir alandır.…”

“…2,8,[26][27][28] Patolojide yapay zekâ ile tekrarlayan, emek gerektiren, zaman harcatan ve büyük dikkat gerektiren işlemlerin daha yüksek hassasiyet ve doğrulukla yapılabileceği, giderek artan hasta sayısı karşısında sayısı görece az kalan patoloji uzmanlarının zamanında ve hassas tanı koymasının -bu tanılar giderek karmaşıklaşan moleküler incelemeler gerektirse bile-kolaylaşacağı düşünülmektedir. [3][4][5]8,9,11,28 Tanı etkinliği artışı ve hassas ölçümlemeler sayesinde analiz ve yorumlamaların daha kolay yapılabileceği, böylece iş yükünün yanı sıra gözlemciler arasındaki ve gözlemci içindeki varyasyonların azalabileceği tahmin edilmektedir (Tablo 4). 3 Güncel yaklaşım, bilişimsel patolojinin diğer geleneksel test ve yöntemlere yardımcı olarak kullanılabileceği ve böylece, daha önce mümkün olmayan tanısal, prognostik ve prediktif bilgilerin elde edilebileceği, sıkıcı, zaman alan ve zor işlerin otomatikleştirileceği şeklindedir.…”

PyHIST: A Histological Image Segmentation Tool

“…14 15 Because of the complexity of the information typically contained in WSIs, Machine Learning (ML) 16 methods that can infer, without prior assumptions, the relevant features that they encode are 17 becoming the preferred analytical tools. These features may be clinically relevant but challenging 18 to spot even for expert pathologists, and thus, ML methods can prove valuable in healthcare 19 decision-making 7 . 20 21 In most ML tasks, data preprocessing remains a fundamental step.…”