A systematic review of quality control efforts for histopathology annotation
Questa revisione sistematica di 16 studi idonei ha rilevato che, sebbene il 62,5% della ricerca sull'annotazione di immagini istopatologiche incorpori sforzi di controllo della qualità, il campo rimane frammentato con implementazioni che variano tra misure di controllo della qualità, funzionalità o una combinazione di entrambe.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Nel mondo della diagnosi medica, un patologo è un detective che esamina sottili fette di tessuto al microscopio per trovare segni di malattia. Per insegnare ai computer a svolgere questo lavoro, gli scienziati devono prima mostrare loro migliaia di queste immagini di tessuti, disegnando con cura linee attorno alle parti importanti per insegnare alla macchina cosa cercare. Questo processo di disegno delle linee è chiamato annotazione. Tuttavia, proprio come un essere umano può commettere un errore quando etichetta una mappa, un computer o un annotatore umano possono identificare erroneamente una cellula o mancare un tumore. Se il computer impara da questi errori, le sue diagnosi future saranno difettose. Per prevenire ciò, i ricercatori utilizzano controlli specifici e strumenti per garantire che le etichette siano corrette. Questi controlli, noti come misure di controllo qualità, prevedono la revisione del lavoro da parte di esseri umani, mentre gli strumenti, chiamati funzionalità di controllo qualità, sono i pulsanti e i menu che consentono a un revisore di accettare un'etichetta, rifiutarla o chiedere che venga corretta. Senza queste protezioni, i patologi digitali del futuro potrebbero essere addestrati su informazioni errate.
Una recente revisione sistematica di Olivier Rukundo, un ricercatore presso l'Università di Limerick e l'Università Medica di Vienna, esamina da vicino quanto bene queste reti di sicurezza siano attualmente utilizzate nel campo specifico dell'istopatologia, ovvero lo studio dei campioni di tessuto. Lo studio non ha creato nuovi software né ha condotto nuovi esperimenti; ha agito invece come un audit completo della ricerca esistente. L'autore ha cercato in cinque grandi database scientifici, gettando una rete ampia per qualsiasi studio che discutesse come controllare la qualità delle etichette delle immagini tissutali. Dopo aver trovato centoventuno potenziali record, il ricercatore li ha filtrati attentamente, rimuovendo i duplicati, gli articoli di conferenza che mancavano di dettagli e gli studi che non descrivevano effettivamente un metodo per controllare la qualità. Questo rigoroso processo ha lasciato un gruppo finale di sedici studi che soddisfacevano i severi criteri di inclusione.
La revisione ha suddiviso questi sedici studi in tre gruppi distinti in base a ciò che offrivano. Alcuni studi si concentravano principalmente sul lato umano del controllo qualità, proponendo metodi affinché gli esperti rivedessero e correggessero le annotazioni. Altri si concentravano sul lato software, introducendo funzionalità digitali che aiutano gli utenti a decidere se un'etichetta è buona o cattiva. Un terzo gruppo combinava entrambi gli approcci, offrendo un sistema in cui la revisione umana e gli strumenti digitali lavorano insieme. I risultati hanno rivelato una netta divisione nel campo. Complessivamente, il 62,5% degli studi ha implementato sforzi di controllo qualità per l'annotazione di immagini istopatologiche, mentre il 37,5% non lo ha fatto. Ciò suggerisce che, sebbene la maggioranza dei ricercatori sia consapevole della necessità di queste protezioni, una parte significativa del lavoro in quest'area procede ancora senza un sistema formale per individuare gli errori.
Gli studi che hanno implementato questi controlli hanno mostrato una varietà di approcci. Alcuni si sono affidati alla collaborazione umana, dove i patologi revisionavano il lavoro l'uno dell'altro o dove medici esperti e senior supervisionavano le annotazioni effettuate da giovani specializzandi. Altri hanno introdotto strumenti software che agivano come un secondo paio di occhi. Ad esempio, alcuni programmi utilizzavano l'intelligenza artificiale per suggerire dove dovesse essere disegnata una struttura, permettendo a un essere umano di accettare semplicemente il suggerimento o correggerlo se era errato. Altri strumenti erano progettati per individuare le incongruenze, segnalando le aree in cui persone diverse avevano etichettato la stessa immagine in modo differente, affinché potesse essere presa una decisione finale. Negli esempi più avanzati, il software e l'essere umano lavoravano in un ciclo: il computer faceva un suggerimento, l'umano lo revisionava e il sistema registrava se l'umano accettava o rifiutava la modifica, creando un ciclo continuo di miglioramento.
Nonostante i progressi mostrati dalla maggioranza degli studi esaminati, la revisione evidenzia che il campo non è ancora uniforme. Il fatto che oltre un terzo degli studi inclusi non abbia implementato questi sforzi di controllo qualità indica che molti progetti potrebbero ancora costruire i propri dataset senza un metodo robusto per verificarne l'accuratezza. La revisione non afferma che il problema sia risolto o che esista un singolo metodo perfetto. Invece, essa mappa il panorama attuale, mostrando che, sebbene molti ricercatori stiano attivamente sviluppando modi per garantire che i loro dati siano puliti, esiste ancora un divario nell'adozione. Il lavoro funge da promemoria che, affinché i computer diventino partner affidabili nella diagnosi medica, l'impegno umano nel etichettare i dati di addestramento deve essere supportato da controlli coerenti e rigorosi, che si tratti di un controllo da parte di un patologo senior o di uno strumento digitale progettato per individuare un errore.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.