Yapay Zeka ile İyileştirilmiş Histopatoloji Görüntüleri: Sunumlarda Yararlı, Yayınlarda Dikkatli Kullanılmalı
Bir mikroskop üzerinden akıllı telefonla fotoğraf çekmek hızlı, pratik ve ilginç bir histopatolojik bulguyu belgelemek için çoğu zaman yeterlidir. Sorun, ortaya çıkan görüntülerin çeşitli teknik kısıtlamalar içerebilmesidir: düşük çözünürlük, düzensiz aydınlatma, renk sapmaları, mikroskop vinyeti, siyah dairesel kenarlar, düşük kontrast ve azalmış keskinlik.
Son dönemde geliştirilen yapay zeka tabanlı görüntü araçları bu görüntüleri belirgin ölçüde iyileştirebilmektedir.
Aşağıda kendi iş akışımdan iki örnek bulunmaktadır: bir rutin H&E görüntüsü ve bir immünofloresan görüntü.
H&E — Orijinal vs Yapay Zeka ile İyileştirilmiş
İF — Orijinal vs Yapay Zeka ile İyileştirilmiş
Yapay zeka neleri iyileştirebilir?
Eğitim veya sunum amaçlı görüntüler için yapay zeka destekli iyileştirme şaşırtıcı derecede etkili olabilir.
Kaynak görüntüye bağlı olarak, iş akışı şunları içerebilir:
- siyah dairesel mikroskop kenarının kaldırılması,
- mikroskopik alanın temiz bir dikdörtgen çerçeveye kırpılması,
- sarı veya düzensiz aydınlatmanın düzeltilmesi,
- beyaz dengesinin iyileştirilmesi,
- daha doğal bir H&E renk görünümünün yeniden oluşturulması,
- kontrastın artırılması,
- bulanıklık ve piksel bozulmasının azaltılması,
- görünen çözünürlüğün artırılması,
- doku mimarisinin sunum ekranında daha kolay değerlendirilmesinin sağlanması.
İmmünofloresan görüntüler için de iyileştirme, arka plan ayrımını, sinyal görünürlüğünü, kontrastı ve genel görsel sunumu benzer şekilde geliştirebilir.
Bu fark, özellikle orijinal fotoğraf mikroskop oküleri üzerinden doğrudan akıllı telefonla çekildiğinde belirgin olabilir.
Ancak önemli bir sınırlama var: yapay zeka halüsinasyon görebilir
Histopatolojide özel dikkat gerektiren nokta tam olarak burasıdır.
Üretken yapay zeka, geleneksel keskinleştirme veya interpolasyonun eşdeğerini yapmayabilir. Görüntü bilgisi eksik olduğunda, bazı modeller ince ayrıntıları yeniden oluşturabilir veya tahmin edebilir.
Başka bir deyişle, iyileştirilmiş bir görüntü, tamamen inandırıcı görünen ancak orijinal fotoğrafta gerçekten çözümlenmemiş yapılar içerebilir.
Bu ayrım patolojide kritik önem taşır.
Görsel olarak ikna edici bir çekirdek, bez, bazal membran, inflamatuar hücre, keratin yapısı veya floresan paterni, aynı ayrıntının kaynak piksellerde de var olduğunun kanıtı değildir.
Bu nedenle, sunum amaçlı iyileştirme ile bilimsel görüntü işleme arasında net bir ayrım yapılması gerektiğini düşünüyorum.
Sunumlar için: son derece yararlı
Ders, multidisipliner toplantı, eğitim oturumu, kongre ve eğitim materyalleri için, dikkatle kontrol edilen yapay zeka iyileştirmesi son derece yararlı olabilir.
Buradaki amaç genellikle, orijinal preparatta zaten değerlendirilmiş olan morfolojiyi iletmektir.
Kötü pozlanmış bir akıllı telefon fotoğrafının, kameradan öyle çıktığı için kötü pozlanmış kalması gerekmez.
Orijinal görüntü karşılaştırma amacıyla saklandığı sürece, yapay zeka teknik açıdan vasat bir fotoğrafı çok daha etkili bir eğitim görüntüsüne dönüştürmeye yardımcı olabilir.
Yayınlar için: çok daha fazla dikkat gerekir
Bilimsel yayınlar farklıdır.
Bilimsel kanıt olarak sunulan bir görüntü, altta yatan gözlemi doğru şekilde temsil etmelidir.
Bu nedenle, üretken iyileştirme sessizce bir yayın iş akışının parçası hâline gelmemelidir.
Asgari olarak:
- orijinal görüntü her zaman saklanmalı,
- iyileştirilmiş görüntü doğrudan orijinaliyle karşılaştırılmalı,
- tanı veya yorumlama için yapay zeka tarafından üretilen ince ayrıntılara asla güvenilmemeli,
- üretken şekilde yeniden oluşturulmuş görüntüler nicel analiz için kullanılmamalı,
- ilgili olduğunda