Interpretasi gambar histopatologi secara tradisional bersifat kualitatif dan subjektif. Analisis gambar kuantitatif (QIA) dan kecerdasan buatan (AI) mengubah patologi dengan menyediakan pengukuran yang reprodusibel dan objektif yang melengkapi keahlian manusia.
Prinsip Analisis Gambar
QIA dimulai dengan pra-pemrosesan gambar — normalisasi warna (menstandarisasi penampilan pewarnaan di berbagai laboratorium), koreksi latar belakang, dan penghilangan artefak. Segmentasi mempartisi gambar menjadi wilayah yang bermakna: jaringan vs. latar belakang, inti vs. sitoplasma, tumor vs. stroma, invasif vs. in situ. Algoritma segmentasi meliputi thresholding (memisahkan objek berdasarkan intensitas piksel), algoritma watershed (memisahkan inti yang bersentuhan), dan segmentasi berbasis pembelajaran dalam (jaringan konvolusional yang dilatih pada gambar anotasi manual).
Ekstraksi fitur mengkuantifikasi karakteristik morfologis: ukuran inti, bentuk, tekstur, dan distribusi kromatin; fitur arsitektural seperti formasi kelenjar dan densitas tubulus; dan intensitas pewarnaan untuk penanda IHC. Penghitungan objek menghitung figur mitosis, sel positif, dan limfosit.
Aplikasi dalam Kuantifikasi IHC
QIA paling banyak diadopsi untuk skor IHC. Indeks proliferasi Ki-67 diukur sebagai persentase inti DAB-positif di hot spot yang dipilih atau di seluruh area tumor. HER2 pewarnaan membran dinilai dengan mengkuantifikasi kelengkapan dan intensitas pewarnaan sirkumferensial. Persentase dan intensitas ER/PR dihitung secara otomatis, mengurangi variabilitas antar-pengamat.
IHC digital algoritma menganalisis gambar imunofluoresens multipleks, mengkuantifikasi setiap sel untuk beberapa penanda secara simultan dan memetakan hubungan spasial antara sel imun dan sel tumor. Ini memungkinkan perhitungan immunoscore (densitas sel T CD3+ dan CD8+ di pusat tumor dan margin invasif) dan penilaian pola eksklusi imun.
AI untuk Diagnosis H&E
Algoritma pembelajaran dalam, khususnya jaringan neural konvolusional (CNN) dan vision transformers, dapat mengklasifikasikan wilayah jaringan pada kaca objek H&E ke dalam kategori diagnostik. Algoritma yang dipublikasikan telah mencapai akurasi setingkat patolog untuk kanker prostat (grading Gleason), kanker payudara (deteksi metastasis kelenjar getah bening sentinel), subtipe kanker paru, dan deteksi kanker lambung.
Pembelajaran yang diawasi lemah hanya menggunakan label tingkat kaca objek (misalnya, “kanker” atau “bukan kanker”) daripada anotasi tingkat piksel, memungkinkan pelatihan algoritma pada dataset besar dari arsip patologi. Multiple instance learning (MIL) memperlakukan setiap kaca objek sebagai kumpulan patch gambar, belajar mengidentifikasi patch yang relevan secara diagnostik tanpa anotasi eksplisit.
Validasi Algoritma dan Persetujuan Regulasi
Algoritma AI yang dimaksudkan untuk penggunaan klinis harus menjalani validasi yang ketat. Validasi analitik mengukur kinerja terhadap standar referensi (misalnya, konkordansi dengan konsensus patolog ahli). Validasi klinis menunjukkan bahwa algoritma meningkatkan hasil pasien atau alur kerja klinis. FDA telah menyetujui algoritma AI untuk deteksi kanker prostat, skrining metastasis kanker payudara, dan skrining sitologi serviks. Di Eropa, penandaan CE-IVDR memerlukan kesesuaian dengan Regulasi Diagnostik In Vitro (IVDR). Algoritma memerlukan pemantauan berkelanjutan untuk penyimpangan kinerja akibat perubahan protokol pewarnaan, tipe pemindai, atau populasi pasien.
Tantangan Implementasi
Heterogenitas data adalah tantangan utama — algoritma yang dilatih pada kaca objek dari satu institusi (pewarnaan, pemindai, populasi) sering berkinerja buruk pada kaca objek dari institusi berbeda. Adaptasi domain teknik mencoba menggeneralisasi algoritma di seluruh lokasi. Explainability — memahami mengapa algoritma membuat keputusan tertentu — sangat penting untuk penerimaan klinis tetapi sulit untuk model pembelajaran dalam. Integrasi alur kerja mensyaratkan bahwa hasil AI dikirimkan ke patolog pada waktu yang tepat dan dalam format yang dapat digunakan, biasanya sebagai anotasi atau skor dalam penampil gambar seluruh kaca objek. Biaya — pemindai seluruh kaca objek, server GPU, dan lisensi perangkat lunak memerlukan investasi modal yang signifikan; penggantian biaya untuk diagnosis berbantuan AI belum ditetapkan di sebagian besar sistem perawatan kesehatan.
Peran Patolog
AI menambah bukan menggantikan patolog. Algoritma unggul dalam tugas berulang (skrining metastasis, menghitung mitosis) dan kuantitasi (indeks Ki-67, skor PD-L1) — pekerjaan yang memakan waktu dan rentan terhadap variabilitas antar-pengamat. Manusia tetap penting untuk mengintegrasikan temuan morfologis dengan konteks klinis, mengenali entitas langka yang tidak terwakili dalam data pelatihan, menggunakan penilaian dalam kasus ambigu, dan mengomunikasikan hasil ke klinisi. Kemitraan patolog-AI bertujuan untuk meningkatkan akurasi, efisiensi, dan reprodusibilitas sambil mempertahankan standar mutu yang penting untuk keselamatan pasien.
