On milyondan fazla sitoloji görüntü parçasıyla eğitilen CROWN, çok sayıda organ ve görevde farklı modeller geliştirmek yerine ortak bir görsel altyapı kurulup kurulamayacağını sınadı. Geniş retrospektif değerlendirmede güçlü sonuçlar vermesi önemli; ancak klinik kullanıma hazır bir tanı sistemi olmaktan çok, yeni sitoloji araçlarının üzerine inşa edilebileceği bir temel model niteliğinde.
Çalışma ne getirdi?
CROWN, ön eğitim sırasında manuel etiket gerektirmeyen özdenetimli bir yöntemle geliştirildi. Model; sınıflandırma, segmentasyon, hücre saptama, görüntü benzerliği ve lam düzeyinde tahmin dahil 202 görev-veri seti bileşiminde değerlendirildi.
Yerleşik ön eğitimli görüntü kodlayıcılarıyla karşılaştırıldığında genel olarak en iyi performansı gösterdi. Yama düzeyindeki 48 değerlendirmede doğruluk %95’i, bunların 22’sinde %98’i aştı. Çalışmanın asıl yeniliği tek bir kanser türündeki yüksek doğruluktan ziyade, heterojen sitoloji örneklerinde yeniden kullanılabilen ortak bir görsel temsil sunması.
Patolog için pratik anlamı
Bu yaklaşım doğrulanırsa servikal sitoloji, idrar sitolojisi, ince iğne aspirasyonları ve effüzyon örnekleri için ayrı ayrı sıfırdan model geliştirme gereksinimini azaltabilir. Az sayıda yerel veriyle göreve özgü modeller uyarlamak ve nadir örneklerde görüntü aramak daha kolay hale gelebilir.
Bununla birlikte sonuçlar patolog yerine geçen otonom bir sistem göstermiyor. Prospektif iş akışı doğrulaması, laboratuvarlar arası genellenebilirlik, olgu düzeyinde güvenlik eşikleri ve tanısal hataların klinik sonuçları henüz ortaya konmuş değil.
İki önemli bağlam çalışması
Aynı gün yayımlanan bir derleme, temel modellerin yalnızca retrospektif sıralama tablolarıyla değerlendirilmesinin yetersiz olduğunu; eğitim ve test verilerinin örtüşmesi, farklı uyarlama yöntemleri ve gerçek iş akışı yararının ayrıca incelenmesi gerektiğini vurguluyor.
Bir başka çalışma ise temel modellerin öğrendiği morfolojik kavramları görselleştirmeyi denedi. Kaba doku sınıfları model içinde daha düzenli ayrılırken, morfolojik olarak örtüşen kanser sınıflarında temsil belirsizliği ve patologlar arası değişkenlik arttı. Bu bulgu, yüksek ortalama doğruluğun zor sınır olgularda açıklanabilirlik gereksinimini ortadan kaldırmadığını gösteriyor.
Sonuç
CROWN, sitolojiye özgü geniş kapsamlı bir temel model için güçlü bir teknik kanıt sunuyor. Bugünkü pratik mesaj modelin hemen kullanılmasından çok, gelecekteki sitoloji yazılımlarını değerlendirirken dış doğrulama, zor olgu performansı, kalibrasyon ve iş akışı yararının özellikle aranması gerektiği.