O listă de verificare în 9 puncte pentru îmbunătățirea analizei imaginilor bazate pe inteligență artificială în patologie

O echipă interdisciplinară de patologi veterinari, experți în învățare automată și editori de reviste a propus un o listă de verificare cu 9 puncte destinată îmbunătățirii calității raportării în studiile care utilizează analiza automatizată a imaginilor (AIA) bazată pe inteligență artificială (IA). Inițiativa vine în contextul adoptării accelerate a acestor tehnologii în cercetarea patologică veterinară, unde transparența și reproductibilitatea reprezintă cerințe esențiale pentru validarea științifică.
Deși patologia tradițională se bazează pe expertiza umană în analiza imaginilor histologice, creșterea accesibilității scanerelor de lame și a software-ului avansat a făcut posibilă utilizarea modelelor de IA chiar și de către cercetători fără formare informatică. Acest progres deschide oportunități semnificative pentru extragerea automată de informații spațiale din secțiuni tisulare întregi și pentru standardizarea evaluării histologice. Cu toate acestea, lipsa unor standarde clare de raportare afectează calitatea și reproductibilitatea multor studii publicate.

Necesitatea unui ghid de raportare

Studiile care implementează IA în patologia veterinară sunt adesea afectate de absența unor descrieri metodologice detaliate. Această problemă este agravată de complexitatea modelelor moderne, precum cele de învățare profundă cu milioane de parametri. În plus, interacțiunea cercetătorului cu IA poate introduce biasuri cognitive care influențează rezultatele.

Pentru a răspunde acestor provocări, ghidul propune ca manuscrisele să includă informații detaliate despre:

• crearea și împărțirea datasetului,
• antrenarea modelului,
• evaluarea performanței,
• interacțiunea dintre cercetător și sistemul IA.

Aceste elemente sunt fundamentale pentru reproducerea studiului și pentru extrapolarea concluziilor către aplicații clinice relevante

Importanța accesului la date

Unul dintre cele mai importante puncte ale checklistului este disponibilitatea datelor suport. Chiar și în condițiile aplicării acelorași metode, variația datelor de antrenament poate genera modele IA cu performanțe diferite. Astfel, publicarea datasetului, a codului sursă și a greutăților modelului este esențială pentru validarea externă și adoptarea în practica patologică de rutină.

Recomandări pentru autori

Autorii care trimit articole către revista Veterinary Pathology sunt încurajați să utilizeze checklistul și să îl includă ca material suplimentar la trimiterea manuscrisului. Ghidul oferă claritate asupra așteptărilor editoriale și poate contribui la scurtarea timpului de evaluare și la reducerea numărului de revizii necesare.

În plus, articolul subliniază că raportarea completă nu este suficientă fără aplicarea unor metodologii IA adecvate, pentru care în prezent există puține recomandări. Viitorul număr special dedicat IA în Veterinary Pathology își propune să dezvolte bune practici privind:

• crearea dataseturilor cu bias minim,
• evaluarea riguroasă a performanței,
• aplicarea fiabilă a modelelor IA în diagnostic.

Concluzii

• Utilizarea IA în patologia veterinară aduce beneficii semnificative, dar necesită rigurozitate metodologică.
• Lipsa transparenței și a datelor de suport limitează reproductibilitatea și aplicabilitatea studiilor.
• Checklistul propus oferă o structură clară pentru raportarea completă a studiilor cu AIA.
• Publicarea deschisă a datelor, codului și modelelor antrenate este esențială pentru progresul domeniului.

Implementarea acestor recomandări poate contribui la creșterea calității științifice și la integrarea sustenabilă a IA în fluxurile de lucru din patologia veterinară.