Patolojide sanal boyama: görüntü kalitesi ve dokuya sadakat

Professor Aydogan Ozcan discusses Pictor Labs

UCLA TDG · 2023-06-02 · Kaynak

UCLA TDG’nin 2023 tarihli İngilizce videosunda Aydogan Ozcan, sanal boyama ve Pictor Labs hakkında konuşuyor. Araştırmacı ve kurucu bakış açısını sunan tarihsel bir tanıtımdır; aşağıdaki 2025 çalışmalarının sonucu veya bağımsız klinik doğrulama değildir.

Araştırma: renk eklemenin ötesinde bir görüntü dönüşümü

Zhang ve arkadaşlarının 2025 çalışmasında boyanmamış insan akciğer dokusunun otofloresans görüntüleri, difüzyon modeliyle H&E boyamasına benzeyen görüntülere dönüştürüldü. Aynı dokunun kimyasal boyama sonrası görüntüsü karşılaştırma referansıydı. Araştırmacılar, düşük çözünürlüklü girdiye göre 4–5 kat piksel süper çözünürlük ve çıktılar arasındaki değişkenliği azaltan yöntemler bildirdi. Bu, görüntü üretimi üzerine bir araştırma sonucudur; tüm hastalıklar için tanı başarısı anlamına gelmez.

Kalite kontrolü: gerçekçi görünen hata da hatadır

UCLA’nın AQuA araştırması açıklamasında, sanal boyanmış böbrek ve akciğer görüntülerinde hatalı ve hatasız örnekleri ayırma doğruluğu yüzde 99,8 olarak bildirildi. Bu oran kanser tanı doğruluğu değildir; çalışmanın belirli hata saptama görevine aittir. Sistem, değerlendirme sırasında doğru kimyasal boyalı referansa ihtiyaç duymadan, boyanmamış görüntüyle ilişkiyi kullanıyordu. Kurum, teknolojinin patent başvurusunu da açıkladı. Bu sonuç başka laboratuvarlarda aynı başarıyı garanti etmez.

Klinik kullanım ve düzenleyici izin ayrı değerlendirilir

Bu yazıda ele alınan kaynaklar araştırma bulgularıdır. Bunları bir ürünün düzenleyici izin belgesi veya kurumunuzdaki klinik kullanımın doğrulaması olarak değerlendirmiyoruz. İzin değerlendirmesinde ürünün adı, sürümü, kullanım amacı ve ülke kapsamı ayrıca incelenmelidir. Araştırma gruplarının ilişkili olması da iki yayını bağımsız dış doğrulama saymak için yeterli değildir. Yazı RAI ürünlerine ait bir performans veya onay iddiası içermez.

Editoryal öneri: ölçümün adını görünür tutun

Bir değerlendirme raporunda görüntü benzerliği, hata saptama ve klinik karar uyumunu ayrı başlıklarla göstermeyi öneriyoruz. Örneğin yüzde 99,8 gibi bir sayı, yanında hangi görevin, hangi veri kümesinin ve hangi karşılaştırmanın ölçüldüğü yazmadan sunulmamalıdır. Güzel görünen tek bir örnek yerine başarısız örnekler, reddedilen görüntüler ve insan incelemesine yönlendirilen durumlar da görünür olmalıdır.

Sorumlu AI için değerlendirme kaydı

Editoryal önerimiz, özgün görüntüyü korumak; üretilen görüntüyü açıkça etiketlemek; model sürümü, doku türü ve görüntüleme koşullarını kaydetmektir. İnceleyen patolog hangi alanların değiştirilmiş olduğunu ve gerektiğinde hangi doğrulama yoluna döneceğini görebilmelidir. Bunlar bir kurum için hazırlanmış klinik protokol veya kişisel tedavi önerisi değil, araştırmayı uygulamadan önce sorgulamak için bir çerçevedir.