Tekoälyn hyödyntäminen patologian diagnostiikassa: Ki-67-värjättyjen keuhkokarsinoidinäytteiden analysointitulosten vertailu.

Abstract

Patologin työssä immunohistokemiallisten näytteiden analysointi on hyvin työlästä ja aikaa vievää. Digipatologian kehityksen myötä on kehitetty automaattisia kuva-analyysiohjelmia avuksi helpottamaan tätä tarkkuutta ja keskittymistä vaativaa rutiinityötä. Tutkimuksen tarkoituksena oli selvittää tekoälypohjaisen kuva-analyysiohjelman Aiforian suoriutumista Ki-67 -värjättyjen keuhkokarsinoidinäytteiden analysoinnissa verrattuna patologin antamaan lausuntoon ja kahteen kuva-analyysiohjelmaan, QuPathiin ja ImmunoRatioon.

Tutkimusmateriaali koostui viidestä Tissue Microarray (TMA) -lasista, joissa oli 127 keuhkokarsinoidikasvainta. TMA-lasit oli värjätty immunohistokemiallisesti (IHC) diaminobentsidiinileimatulla (DAB) Ki-67 vasta-aineella. Näytteet oli skannattu sähköiseen muotoon ja patologi oli analysoinut näytteet näyttöpäätteeltä. Tutkimuksessa opetettiin Aiforian Ki-67-algoritmi tunnistamaan keuhkokarsinoidinäytteistä DAB-leimatut Ki-67-positiiviset ja negatiiviset solut. Tutkimuksessa näytteet analysoitiin opetuksen jälkeen Aiforialla sekä verrokkiohjelmilla ImmunoRatiolla ja QuPathilla. Näiden tuloksia verrattiin patologin antamiin tuloksiin sekä toisiinsa.

Tutkimuksen tulosten perusteella tekoälypohjaisella kuva-analyysiohjelmalla Aiforialla saadut tulokset korreloivat näistä ohjelmista parhaiten patologin tulosten kanssa. Aiforian ja patologin tulosten korrelaatio oli 0,94, kun seuraavaksi vahvin korrelaatio patologin tulosten kanssa oli ImmunoRation tuloksilla 0,73. QuPathin tulosten korrelaatio patologin antamiin tuloksiin oli 0,60. Aiforian tulosten korrelaatio ImmunoRation tulosten kanssa oli 0,76 ja QuPathin tulosten kanssa 0,66.

Tämän opinnäytetyön tulosten perusteella tekoälypohjaisella kuva-analyysiohjelmalla saadaan vastaavia tuloksia kuin patologin toteuttamalla manuaalisella menetelmällä. Aiforian avulla patologi voisi suorittaa työläitä laskentatehtäviä nopeammin ja käyttää aikansa tehokkaammin muihin vaativiin tehtäviin. Aiforian tulosten korrelaatio patologin antamiin tuloksiin oli erittäin hyvä ja selvästi parempi kuin muilla testatuilla ohjelmilla.

Background: Analyzing of immunohistochemical stains is often time consuming, non-reproducible, and prone to both inter- and intra-observer subjectivity. The development of neural networks and deep learning has opened a new way to train computers to analyze immunohistochemical stains. The aim of this study was to determine how deep learning artificial intelligence (AI) based automated image analysis software Aiforia performs in analyzing Ki-67 labelled pulmonary carcinoid (PC) tumor samples. Methods: Study material consisted of five tissue microarray (TMA) slides including altogether 127 PC tumors. TMA slides were immunohistochemically labelled with a Ki-67 antibody. Stained slides were digitized with a whole slide scanner and analyzed by the pathologist on the computer screen. Aiforia was trained to recognize diaminobenzidine (DAB) stained Ki-67 positive cells as well as all tumor cells negative for Ki-67. The results retrieved from Aiforia’s Ki-67 algorithm were compared to ImmunoRatio and QuPath image analysis software and the analysis of the pathologist served as the ground truth.

Results: After training the Ki-67 algorithm, we first tested how the algorithm performed against manual analysis performed by the pathologist. The correlation was 0.94. After this, we compared Aiforia to Immunoratio and QuPath. The correlations were 0.76 and 0.66, respectively. Finally, ImmunoRatio and QuPath were compared to manual analysis with correlations 0.73 and 0.60, respectively.

Conclusions: This study showed that deep learning AI based automated image analysis software yields similar results compared to human observer. It was superior compared to traditional image analysis software utilizing area based detection. Thus, this deep learning AI based Ki-67 algorithm can assist pathologists to perform laborious Ki-67 analysis in PC tumors quicker and then use the excess time for more demanding tasks.