-
-
Notifications
You must be signed in to change notification settings - Fork 0
/
README.qmd
676 lines (445 loc) · 50.8 KB
/
README.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
---
title: "Patoloji ve Bilişim"
author: Serdar Balcı
format:
gfm:
preview-mode: raw
date: last-modified
lang: tr
toc: true
keep-yaml: true
keep-md: true
editor: visual
bibliography: references.bib
reference-location: document
shift-heading-level-by: 1
citation:
type: chapter
container-title: "Patoloji ve Bilişim"
doi: 10.17605/OSF.IO/BRZUF
---
# Patoloji ve Bilişim {#sec-patoloji-ve-bilisim}
[](https://zenodo.org/badge/latestdoi/594820002)
<https://zenodo.org/badge/latestdoi/594820002>
[DOI 10.17605/OSF.IO/BRZUF](https://osf.io/brzuf/)
> Bu yazı *Prof. Dr. Alp Usubütün* editörlüğünde hazırlanan [*"Sağlık Bilimleri İçin Patoloji ve Patoloji Laboratuvarını Anlama Kılavuzu 2. Baskı - Ekim 2022 Ankara Nobel Tıp Kitabevleri ISBN: 978-625-7564-70-0"*](https://www.ankaranobel.com/patoloji-ve-laboratuvarini-anlama-kilavuzu) [^1] [^2] adlı kitaptaki *"8. Bölüm: Patolojide Yeni Yöntemler ve Gelecek"*[^3] için hazırlanmıştı
> r. Ancak bu alanın çok hızlı ilerlemesi nedeniyle bu metni güncel tutmak (ve bir sonraki baskı için gerekirse hazır bulunmak için) metin içeriği burada güncellenecekti
> r. **Doç. Dr. Serdar Balcı**
[^1]: {width="25%"}
[^2]: {width="50%"}
[^3]: {width="25%"}
[{width="25%"}](https://www.ankaranobel.com/patoloji-ve-laboratuvarini-anlama-kilavuzu)
## Patolojide Bilişimin yeri nedir? {#sec-patolojide-bilisimin-yeri-nedir}
Patologları, hastanın klinik bilgilerini, makroskopi ve mikroskopik görüntüler ile işleyip, literatür ve bilimsel bilgiler ışığında yorumlayan ve rapor adlı yazılı bilgiyi üreten bilgi uzmanları olarak tanımlayabiliriz.
Abartılı bir tarif gibi görünse de çoğu hasta dosyasında, hasta hakkında en çok ve en doğru (hatta hala daha altın standart) bilgiler patologların ürettiği patoloji raporlarında yer almaktadır.
Bilginin teknoloji kullanılarak işlenmesindeki gelişmeleri, patoloji disiplini, bazen geriden bazen öncü olarak, ama emin adımlarla takip etmekte ve kendi işleyişine katmaktadır.
(Computational Pathology: A Path Ahead https://pubmed.ncbi.nlm.nih.gov/26098131/)
- Bilimsel bilginin sürekli artması,
- hemen her yıl yeni bir DSÖ sınıflama kitabının çıkması,
- yeni çıkan antikorların ve yöntemlerin tanısal test olarak kullanımındaki istatistiksel yöntemler,
- tümörlerin taksonomisi,
- "ben buna displazi derim" gibi sezgisel yaklaşımlar,
- klinik bilgilerin elde edilmesi,
- makroskopik ve mikroskopik görüntülerin elde edilmesi, işlenmesi ve saklanması,
- rapor yazılması,
- diktasyon,
- raporların saklanması,
- arşivleme,
- laboratuvar iş akışının düzenlenmesi ve takibi
gibi bir çok basamakta yer alan bilişim teknolojileri, dijital patolojinin yaygınlaşması ile makina öğrenmesi, derin öğrenme ve yapay zeka ile karar destek sistemleri olarak günlük pratiğe daha da girmektedir.
Patoloji raporları ve görüntüleri için kullanılan yazılımlar (Rosai 1. chapter)'da belirtildiği gibi çoğu zaman diğer laboratuvar branşları ya da radyoloji için hazırlanmış platformlara eklemlenmiş gibidirler.
Patolojinin işleyişi ile çoğu zaman örtüşmeyen yazılımlar, çoğu zaman bir metin işlemcisi ve faturalandırma aracı olarak kalmaktadırlar.
## Patolojideki Bilgi Türleri Nelerdir? {#sec-patolojideki-bilgi-turleri-nelerdir}
Patolojide bilgi türleri temel olarak *laboratuvar iş akışı*, *metin* ve *görüntülerden* oluşmaktadır.
### Laboratuvar İş Akışı {#sec-laboratuvar-is-akisi}
::: {.content-hidden when-format="markdown"}
Bir laboratuvar branşı olarak patolojideki iş akışı çoğu zaman hastane yöneticilerinin ve hekimlerin de bilmediği karmaşık basamaklardan oluşmaktadır.
Bu basamakların her biri kendine has kalite kontrol ögeleri ve veriler içermektedir.
Her ne kadar laboratuvar branşı olarak görülse de, patoloji sadece klinikten gelen isteklerin yapıldığı bir laboratuvar değildir.
Patologlar gelen spesmene bir hasta gibi yaklaşıp her spesmene özgü ayrı örnekleme ve değerlendirme yapmaktadır.
Patolojinin ayrı bir klinik olarak tanımlanmaması, patoloğun tetkik isteyen bir hekim olarak kurgulanmamış olması nedeniyle hem rutin işleyişte hem de fatura ve performans değerlendirmelerinde sorunlar ortaya çıkmaktadır.
 *Resim 2: Patoloji iş akışı*
:::
### Metin Bilgileri {#sec-metin-bilgileri}
Patolojideki metin bilgilerini:
- patoloğa
- klinikten ve
- literatürden gelen bilgiler ile
- patoloğun ürettiği raporlar oluşturmaktadır.
Bu bilgi türlerine belki `sosyal medya`yı da eklemek uygun olacaktır.
Sosyal medyada paylaşılan rutin ya da ilginç patoloji vakaları derlendiğinde bir patoloji kitabı oluşturmak mümkün olabilir [^4].
Ayrıca bu veriler görüntü analizleri için bile kullanılabilmektedir [PMID:37592105](https://pubmed.ncbi.nlm.nih.gov/37592105/).
[^4]: [Patoloji Notları](https://www.patolojinotlari.com/)
::: {.content-hidden when-format="markdown"}
Bu bilgilerin:
- düzgün,
- eksiksiz ve
- anlaşılır olması beklenmektedir.
Literatürdeki bilgi yoğunluğunun kaldırılamaz halde olduğu ve her antikorun ilk çıktığında oldukça özgün ama çalışmalar sonunda yıllar içinde kullanılamaz hale geldiği günümüzde **"bilgi ve internet okuryazarlığı"** patologlar için vazgeçilmez öneme sahiptir.
Hangi literatürün, nasıl kritik edilerek okunacağı, bilgilerin hasta tanısında nasıl kullanılacağı konusunda da donanımlı olmak gerekmektedir.
Klinik bilgilerin düzgün ve eksiksiz aktarılması için hastane bilgi yönetim sistemlerine patologların **"tedaviyi veren hekim"** yetkisi ile ulaşmasının sağlanması, tanı hızını ve doğruluğunu arttıracaktır.
Patologlar genelde raporlarını hastaların tedavisinden sorumlu olan klinisyenleri hedefleyerek yazsalar da, günümüzde kendi bilgilerini irdelemek isteyen hastalar yanı sıra raporlarını otomatik olarak kategorize etmek isteyen kayıt sistemlerini de dikkate almak gerekmektedir.
Hastaların raporlardaki detaylarla uğraşmasını engellemek ve onları doğru yönlendirmek için **CAP** ve **ADASP** gibi organizasyonlar hastalar için rehberler hazırlamaktadırlar.
Hastaların ve sigorta şirketlerinin patoloji raporlarına yaklaşımları nedeniyle ortaya çıkan sosyal sorunları bertaraf etmek için tümör isimlendirmelerinde yakın zamanda yapılan değişiklikler *(tiroid ve prostat tümörlerindeki gibi)* bu konunun ileride daha da önemli olacağını ve belki de hastalar için ayrı rapor kısımları düzenlememiz gerektireceğini düşündürmektedir.
Raporların eksiksiz olması ve başka kurumlardaki hekimler tarafından da anlaşılmasını sağlamak için **sinoptik (şablon) rapor** kullanılması gerekmektedir.
Her ne kadar kimi patologlar kendi üslupları ile tarif ve açıklama yazmak isteseler de, *her satırda bir özelliğin olduğu* ve *gerekli tüm özelliklerin başlıklarının ve tanılarının açıkça yazıldığı* **sinoptik raporlama** hasta yönetimi için artık vazgeçilmez bir gereklilik halindedir.
Raporların bilgisayar aracılığıyla formlar kullanılarak yazıldığı ve her özelliğin veritabanında ayrı olarak kaydedildiği **yapılandırılmış (structured) raporlar**ın ise ideal olarak her laboratuvarda olması gerekmektedir.
Yapılandırılmış rapor kullanılan sistemlerde hem kalite için izleme ve değerlendirme hızlıca ve otomatik olarak yapılabilmekte, hem de bilimsel araştırmalar için gerekli bilgilere kolayca ulaşmak mümkün olabilmektedir.
Yapılandırılmış rapor kullanan sistemlerde raporun ilk onaylandığı halinin *değiştirilemez bir 'pdf' dökümanı* halinde kaydedilmesi (ve tercihan *elektronik imza* ile eşleştirilmesi) gerekmektedir.
Aksi takdirde rapor her açıldığında veritabanından gelen verilerle yeniden oluşturulduğunda zaman içinde oluşan şekilsel değişiklikler ilk raporla farklılıklar oluşmasına neden olmaktadır.
Bu durum medikolegal sorunlara neden olabilmektedir.
Patoloji raporlarının *metin madenciliği* yöntemleri kullanılarak sınıflandırılması konusunda öneriler ve çalışmalar mevcuttur.
Ancak bu yöntemlerin başarılı olabilmesi için standart yazıma ve daktilo hatalarını en aza indirecek uygulamalara ihtiyaç vardır.
Diktasyon ve sesi metne dönüştüren yazılımların makroskopik ve mikroskopik tariflerde kullanımı yaygınlaşmaktadır.
:::
### Görüntüler {#sec-goruntuler}
Morfolojik analize dayanan anatomik patolojideki bilgilerden biri de görüntülerdir.
Makroskopik ve mikroskopik görüntüler mevcuttur.
**"Makroskopik"** görüntülerin net bir şekilde elde edilmesi ve saklanması giderek önem kazanmaktadır.
Tariflenen bazı bulguların (mezorektal bütünlük gibi) daha sonra tekrar değerlendirilmesi, delici kesici yaralanmalar gibi mikroskopla belirlenemeyecek medikolegal dökümantasyonun sağlanması gibi nedenlerle, patoloji ve hastane bilgi sistemlerine entegre makroskopi resim saklama gerekliliği giderek artmaktadır.
Makroskopik görüntülerin radyoloji ile korelasyonu ve üç boyutlu görüntülerle sanal gerçeklik uygulamaları makroskopik görüntü arşivinin önemini giderek artırmaktadır.
**"Mikroskopik"** görüntülerin *tam yüzey taranması (whole slide imaging)* ile hızlanan dijital patolojiye bir sonraki bölümde detaylı değinilecektir.
Artık günümüzde;
- dokunun kesit almadan üç boyutlu haritalandırılması,
- fiziksel olarak boyanmadan sanal boyalar ile incelenmesi
- ve bunların örnek yeterliliğinde ve hızlı tanıda kullanılması oldukça sık yapılan ve pratiğe geçeceği umulan çalışmalardır.
İki boyutlu klasik mikroskopik görüntülerin çokça kesit alınarak 3 boyutlu (3D) rekonstriksiyonu ile yapılan tümör modelleri, hastalıkların patofizyolojisinin anlaşılmasında yeni olanaklar sunacaktır.
Patolojinin gelecegindeki yeni teknikler arasında
- üç boyutlu görüntüleme [^5],
- Raman spektroskopisi [@Movahed-Ezazi2023],
- FTIR (infrared spectroskop),
- sanal HE boyama,
- ve konfokal mikroskopi gibi tekniklerin yer alması beklenmektedir.
[^5]: AI-driven efficient patient prognosis based on 3D pathology samples TIA Centre Seminar Series Dr. Andrew Song <https://mamba-demo.github.io/demo/> <https://www.youtube.com/watch?v=rcNCHQnK454&ab_channel=TIAWarwick>
## Dijital Patoloji Nedir? {#sec-dijital-patoloji-nedir}
::: {.content-hidden when-format="markdown"}
Dijital patoloji dendiğinde günümüzde preparatların tüm yüzey yüksek çözünürlükte taranarak bilgisayar ortamına aktarılması ve bu görüntülerin iletilme ve işlenme süreci akla gelmekte ise de; tüm laboratuvar işleyişinin bilgisayarla takip edilmesi ve gerektiğinde otomatize edilmesi daha kapsayıcı bir tanımlama olacaktır.
Makroskopik görüntülerinin, endoskopik görüntülerin ve mikroskopla çekilen fotoğraflar üzerinde morfometrik çalışmalar dijital patolojinin başlangıcıdır.
Ancak hasta tanısı için ilk etapta mikroskop yerine dijital görüntülerin kullanımı henüz daha yeni olduğundan, bu amaçla kullanılan dijital patoloji daha çok büyük laboratuvar ve üniversite hastaneleri ile sınırlıdır.
Dijital patoloji ilk etapta araştırma ve eğitim amacıyla kullanılmaya başlanmış, daha sonra konsültasyon ve frozenda yerini almıştır.
Bir hastanın *ilk tanı*sı için kullanımı, yakın zamanda pandeminin getirdiği uzaktan çalışma zorunluluğu ile hızlı onay almıştır.
Pratikte dijital patolojinin bizi en çok zorlayan kısmı, *hazır tanısal hale gelmiş preparatların bir daha tekrardan tanı için uygun hale dönüştürülmesi* ile uğraşmak zorunda kalmamızdır.
Mesela radyolojinin basılı filmlerini devasa tarayıcılarla tarayıp dijital ortama aktarsaydık ve adına da 'dijital radyoloji' deseydik herhalde bugün yapılana benzer olurdu.
[^6]
 *Adenoskuamöz kanserin sanal patoloji mapesi ile vakanın incelenmesi. Farklı boyalar aynı anda incelenerek tümördeki farklı bileşenler kolaylıkla değerlendirilebilir.*
 *Ampulla yerleşimli intraampüller papiller neoplazi zemininde gelişmiş adenokarsinomun megalamda alınan örneğinin dijitalleştirilmiş hali. Birkaç lamda ancak incelenebilecek görüntünün megalam tarayıcısı ile alınan bu görüntüsü sayesinde hem tümörün yayılımı daha kolay anlaşılabiliyor, hem radyolojik korelasyon daha kolay yapılabiliyor hem de tümör biyolojisini anlamak daha da kolaylaşıyor.*
Patoloji makroskopi resimlerinin ve preparatlarının dijital ortama aktarılması ve tanının buradan verilmesi, daha önceleri *analitik evrede kabul ettiğimiz basamakların preanalitik evreye geçmesine* neden olmuştur.
Artık laboratuvarlar sadece preparatın tanısal hale gelmesine değil aynı zamanda dijital görüntünün de tanıya hazır hale gelmesini düşünerek planlama yapmak durumundadır.
Bu yeniden tanısal hale getirme basamağı nedeniyle, tarayıcılar yeni bir analitik basamak halini alırken, tarayıcı öncesinde laboratuvardaki basamaklar da yeni bir tür preanalitik basamak halini almaktadır.
Mesela;
- önceleri sadece insanın okuyabileceği etiketler yeterli olurken artık tüm laboratuvar sürecinde makinaların da okuyabileceği barkod ya da karekod kullanımı zorunlu hale gelmiştir.
- Daha önceleri görmezden gelinebilecek küçük artefaktlar, hava kabarcıkları, parmak izleri tarama kalitesini belirli ölçüde etkilediği için **"yeni kuşak preanalitik hatalar"** olarak hayatımıza girmektedir.
 *Kirli bir lamda otomatik doku tespit algoritmasının yanılmasına bir örnek. Yeşil kutu içindeki alan doku olarak algılanmış ve taranmıştır.*
 *Lamda parafin artığı kalması sonucu bulanık taranmış dokunun (solda), lam temizlendikten sonra tekrar tarandığındaki net görüntüsü (sağda).*
 *Akordiyon artefaktı: Eskiden kesit sırasında mikrotoma bıçağın tam yerleştirilmemesi nedeniyle görülen bu artefakt, dijital tarama sırasında kalibrasyonun tam yapılmadığı durumlarda da görülmeye başlamıştır. Bu gibi yeni kuşak artefaktlara hazırlıklı olmamız gerekmektedir.*
:::
[^6]: What is digital pathology?
<https://www.instagram.com/reel/DB4FS71IAf0/?igsh=ejJ0OHVqdmR4MmN5>
### Dijital Patolojinin Kullanım Alanları Nelerdir? {#sec-dijital-patolojinin-kullanim-alanlari-nelerdir}
::: {.content-hidden when-format="markdown"}
Dijital patoloji ilk başlarda araştırma ve eğitim amacıyla kullanılmaya başlanmış, daha sonra konsültasyon ve frozenda yerini almıştır.
Bir hastanın ilk tanısı için mikroskop yerine dijital görüntülerin kullanılması başlangıçla tereddütle karşılanmıştır.
Covid pandemisinin getirdiği uzaktan çalışma zorunluluğu dijital patolojinin tanı amaçlı kullanılmasının onaylanması için hızlandırıcı bir faktör olmuştur.
*Rosai*'nin kongrelerde kahve bardaklarından dürbünler yaptığı ve katılımcılardan ekrandaki sunuma önce bu dürbünle sonra da bu dürbünsüz bakmalarını istediği ve bu şekilde dijital patolojinin geleceğini öngördüğü söylenir.
:::
#### Tanı {#sec-tani}
::: {.content-hidden when-format="markdown"}
Dijital patoloji, hastalıkların tanısına yardımcı özelliklerin tespit edilmesinde ek bir araç olarak yaygın olarak kullanılmaktadır.
- Karaciğer yağlanmasının ölçülmesi,
- tümör büyüklüğünün ve derinliğinin ölçülmesi,
- tümörün cerrahi sınırlara olan uzaklıklarının tespiti,
- tümör ile çevre dokunun ayrılması ve
- immünohistokimyasal belirteçlerin sayısal olarak doğru raporlanması
gibi alanlarda geliştirilmiş yazılım ve karar destek sistemleri mevcuttur.
:::
#### Eğitim {#sec-egitim}
::: {.content-hidden when-format="markdown"}
Hem tıp fakültesi hem uzmanlık eğitiminde verilen mikroskop eğitimlerindeki sorunlardan birisi de preparatların eskimesi ve nadir vakaların sayıca az olmasıdır.
Dijital görüntüler ile hem bu sorun aşılacak, hem de interaktif ögelerin de kullanımı ile farklı eğitim teknikleri kullanılabilecektir.
- Üç boyutlu (3D) organ modellerinin sanal gerçeklikle incelendiği,
- retina takibi ile mitoz sayma yarışmalarının düzenlendiği,
- makroskopide merak edilen alanın mikroskopide nasıl yansıdığının hemen görüldüğü,
- mikroskobik kesitlerin 3 boyutlu rekonstrüksiyonu ile tümör yayılımının daha iyi anlaşıldığı eğitim teknikleri
geleceğin hekimlerini, geleceğin teknolojileri için hazırlayacaktır.
Mikroskoptan ekrana geçişte şimdiki kuşağın yaşadığı sorunların tam tersinin ekrandan konvansiyonel mikroskopa geçecek yeni kuşağın yaşayacağını tahmin edebiliriz.
Ülkemizde genellikle digital slaytlar kullanılarak yukarıda sözü edilen teknik sorunların düzeltildiği ve aşıldığı görülmekle beraber interaktif eğitim teknikleri entegre edilmeden kullanılması sonucu bu yöntemin getirilerinden yeterince yararlanılamadığı görülmektedir.
:::
#### Konsültasyon {#sec-konsultasyon}
::: {.content-hidden when-format="markdown"}
Konunun eksper patoloğuna ulaşmak için daha önceleri lam ya da bloğun gönderilmesi, hatta bunun için şehirlerarası ya da ülkeler arası transfer gerekmekteydi.
Artık bu görüntülerin (gigabaytlarca yer tutan sanal görüntülerin bile gönderilmeden) oluşturulacak bir link üzerinden paylaşılması ile konsültasyonlar rutin pratiğin kolay basamaklarından biri olacaktır.
Bu durum ileride uzaktan çalışma ile iş piyasasına da farklı yaklaşımlar getirecektir.
:::
#### Rutin Raporlama {rutin-raporlama}
::: {.content-hidden when-format="markdown"}
Önceleri ilgili vakaya ait lamların tümü sıralanmış bir şekilde mapeye dizilip, klinik ve makroskopik bilginin yer aldığı kağıtla bir araya getirildiğinde laboratuvarın işi bitmiş ve vakanın patolog tarafından onaylanma süreci başlamış oluyordu.
Tümüyle dijital ortama taşınan bir laboratuvarda lamları mapeye dizmeye gerek olmadığı gibi lamların herhangi bir sırayla taranması da gerekmiyor.
Ayrıca kağıtlardaki bilgilerin de hepsinin dijitalleştiğini düşünürsek fiziksel bir teslimatın yapılmasına da gerek kalmıyor.
Öte yandan
- tarama için geçen süre,
- vakanın her lamının taranıp taranmadığının kontrolü,
- görüntülerin tanısal yeterlilikte olup olmadığının kontrolü gibi
ek otomatize ya da manuel kontrol basamakları da günlük pratiğe eklenmektedir.
Tarama için geçen sürenin kısaltılmasında sürekli yükleme yapılabilen modeller daha başarılı olmaktadır.
Dijital görüntüler kullanarak rutin raporlamaya yavaş yavaş geçilmektedir.
Geçiş sürecinde yaşanabilecek sorunlar ve çözümleri için derneklerin, **RCAP** ve **Leeds** Üniversitesi'nin hazırladığı öneriler oldukça faydalıdır (Bkz. Okuma önerileri)
Bu yeni yöntemler kendi **ergonomi** sorunlarını da birlikte getirmektedir.
Şaryo kullanmaya ve objektif değiştirmeye alışkın patolog *kas hafızası (muscle memory)* klasik bilgisayar faresi ile eşleşmekten uzaktır.
Bu nedenle iztopu (trackball) ya da 3D fareler ve şaryoyu taklit eden bilgisayar bileşenleri geliştirilmektedir.
:::
Şu an kullanılan ara yüzlerdeki farklılıklar da kullanım alışkanlığı geliştirmeyi zorlaştırmaktadır.
\<--WIP--\>
- Bilgisayar fare orta tuş kilidi olan ve olmayan arayüzler (https://middleclick.app/), büyütme ve küçültme (zoom in/out) hızlarının klasik mikroskoplardan farklı olması yanısıra klavye ve bilgisayar bileşenlerine (oyunlara) aşina neslin kullandığı oklar, `aswd` tuşlarının ...
- navigasyon ok tuşları, aswdrz, +- middle click scroll resim, görüntü kaydetme
- Sectra, ViraSoft ve OpenSeaDragon arayüzlerindeki farklılıklar.
\<--WIP--\>
Nasıl bir ekran kullanılacağı ve ekranın *"tıbbi ekran"* kategorisinde olup olmaması gerektiği de süregiden bir tartışma konusudur (Bkz. Leeds ekran testi)
\<--WIP--\>
- Tek ya da çoklu monitörde çalışma, dokunmatik ekranlar
- ekran çözünürlüğü, tepki süresi
- sanal mape çeşitleri
- lamın vertikal ya da horizontal taranması
- taranan alanların işaretlenmesi (heatmap)
\<--WIP--\>
::: {.content-hidden when-format="markdown"}
*İşaretleme* alışkanlığının değişmesi (lamlara yazılan yazıların artık ekrandan yazılması, lamlardaki işaretlerin taramada *artefakt* oluşturması), *küçük fragmanlar*ın tarama sırasında ya da patolog bakarken atlanması endişesi de güncel tartışmalardandır.
İlk çalışılmaya başlanan, tek tip hücre grubundan oluştuğu için ve patern analizi gerektirmediği için kolay olduğu varsayılan servikal yaymalar dijital patolojide hala öncü yer tutamamaktadır.
Bunun sebebi arasında *Z-stack* taramanın daha zor ve maliyetli olması yer almaktadır.
*Mikrovida* ile değişik katlara bakmaya alışkın sitolog ve patolog gözü yeni sistemlerde bu kolaylığı kolayca elde edememektedir.
Öte yandan HPV testlerinin daha yaygın olması maliyet etkinlik açısından servikal yaymaların dijital taranması için harcanan emeklerin önünde yer almaktadır.
Floresan kullanılarak yapılan incelemeler (FISH, DIF) için ayrı tarama sistemleri gerekmektedir.
Çift kırıcılık gerektiren değerlendirmeler (kongo kırmızısı, yabancı cisim) içinse hala klasik mikroskopa ihtiyaç duyulmaktadır.
Eski vakaların ya da konsültasyon için farklı laboratuvarda hazırlanıp gönderilen lamların taranması ve arşivlenmesi hem zaman hem de maliyet açısından değerlendirilmelidir.
Özellikle soluk ve kapama sorunu olan vakaların taranması sırasında oluşacak artefaktlar göz önünde bulundurulmalıdır.
Dijital görüntüler ile raporlamaya geçmeden önce en az 60 vakanın hem preparat hem de dijital görüntü ile ayrı ayrı raporlanması ve aralarındaki uyumluluğun test edilip dökümante edilmesini içeren *kişisel validasyon çalışmaları*na ihtiyaç vardır.
Bu rakamın her boya, her örnek türü ve her tanıya göre hedeflenmesi istenmekle birlikte, kesin bir sayı olmayıp ilgili biyopsi türünde patoloğun kendini rahat hissedecek ve tanı arayüzü ile aşinalık kazanacak kadar devam etmesi önerilmektedir.
### Dijital Tarayıcı Alınca Dijital Patolojiye Geçmiş Olabilir miyiz? {#sec-dijital-tarayici-alinca-dijital-patolojiye-gecmis-olabilir-miyiz}
Dijital patoloji konusunda çalışma yapan dernekler tarayıcı alımını laboratuvarda yapılacak düzenlemelerden sonra olmasını önermektedir.
Eğer laboratuvar iş akışı barkod ile düzenlenmemiş, ilgili lamın barkodu ile patoloji bilgi sistemi ve hastane bilgi sisteminden gerekli bilgiler alınamayacak ise, tarayıcıdan elde edilen görüntülerin işlenmesi oldukça zor olmaktadır.
Bu gruplanmış yan veriler (*parsed metadata*) otomatizasyonun en önemli kısmını oluşturmaktadır.
- Görüntünün nereye ve ne kadar süre ile kaydedileceği,
- hangi diğer lamlar ile eşleşeceği,
- nasıl bir 'sanal mape' ile patoloğa iletileceği,
- eğer yapay zeka algoritmaları kullanılacaksa hangi lamın işleneceği
ancak bu bütünlük sağlanabilirse mümkün olacaktır.
Örneğin günümüzde meme biyopsileri için yapılan hormon reseptör incelemelerini patoloğa görüntü iletilmeden analiz edecek ve patoloğa ön rapor sunacak algoritmalar mevcuttur.
Ancak bu algoritmanın çalışabilmesi için o lamın bir meme biyopsisine ait olduğu, o lamdaki boyamanın bir hormon reseptörüne ait olduğu ve boyama değerlendirmesi için çalışacak spesifik algoritmanın ne olduğu belli olmalıdır.
Laboratuvardaki tüm cihazlar aynı barkod bilgisi ile çalışabilecek, ya da barkoddan kendisi ile ilgili alanı okuyabilecek şekilde düzenlenmiş olmalıdır.
:::
Günümüzde kaset, immünohistokimya ve tayarıcılardaki farklı barkod / karekod / datamatrix kullanımı ve bu içeriğin firmalara özgün ve değiştirilemez olarak tanımlanması, kesintisiz bir laboratuvar iş akışı önündeki önemli engellerden biridir.
Bu konuda firmalar arası entegrasyonun sağlanabilmesi oldukça önemlidir.
Yakın zamanda Memorial Patoloji'de tüm basamaklardaki datamatrix kodları birleştirilmiş olup, immünohistokimya cihazındaki entegrasyon da tamamlanmak üzeredir.
::: {.content-hidden when-format="markdown"}
Tüm yüzey taramadaki görüntüler oldukça fazla yer kaplamaktadır.
Radyoloji görüntüleri ile kıyaslandığında bu fazlalık daha da çarpıcı olarak görülmektedir.
Görüntülerin daha az yer kaplaması için 40x yerine 20x tarama, boş lam alanlarının taranmaması gibi çözümler kullanılmaktadır.
Ancak bu durumda da fragmante dokuların taranmaması riski yanısıra, taranan her lamın tanı için yeterli olduğunun teyidi gibi ek bir iş basamağı da ortaya çıkmaktadır.
Bu gibi optimizasyonlar (düzenlemeler) yapılmadıkça patoloğun iş yükünü kolaylaştırmak yerine zorlaştıracak hale gelen dijital tarama beklenen verimlilikte kullanılamayacaktır.
:::
### Dijital Patoloji İçin Tarayıcıya İhtiyacımız Var Mı? {#sec-dijital-patoloji-icin-tarayiciya-ihtiyacimiz-var-mi}
::: {.content-hidden when-format="markdown"}
Dijital patolojinin kolaylıklarından faydalanmak için mutlaka tarayıcının olmasına gerek yoktur.
Araştırma, konsültasyon ve tanıya katkı sağlayacak algoritmaların kullanılması için çoğu zaman kamera bağlı mikroskop yeterli olacaktır.
Araştırma Geliştirme çalışmaları için online veritabanları oldukça geniş olanaklar sunmaktadır: - [TCGA]() - [Grand Challange]() - [cBioPortal]()
Hatta cep telefonlarının görüntü alması için geliştirilen okülere bağlanan ataçmanlar ile trinoküler mikroskop olmadan da görüntüler elde edilebilmektedir.
Mikroskopta lamın hareket ettirilmesi ile çekilen görüntülerin birleştirildiği *"manuel whole slide imaging"* yazılımları da kullanılabilmektedir.
Bir kez taranmış görüntü elde edildikten sonra bu görüntüleri gösterecek ve analiz edecek açık kaynak programlar oldukça yaygın olarak mevcut olmakla birlikte hala daha manuel tam yüzey taramanın kullanılabileceği açık kaynak programların olmaması dijital patoloji önündeki en büyük 'finansal' engel olarak durmaktadır.
:::
## Dijital Patolojinin Geleceği {#sec-dijital-patolojinin-gelecegi}
Dijital patoloji hızla gelişen bir alan olduğundan patologların kendilerini bu gelişmelere hazırlamaları gerekmektedir.
Altyapı yatırımları sırasında geliştirilebilir modüler yapıların tercih edilmesi; basit ekran paylaşımından öteye gitmeyen ve açık kaynak ile ulaşılabilecek programlar için masraf yapmadan önce yetkin görüş alınması önerilmektedir.
Dijital patoloji görüntüleri şu an farklı firmalara ait farklı formatlar halindedir.
Ancak yakın zamanda ortak bir format olan *DICOM*'a geçilmesi ile cihazlar arasındaki uyum da artacaktır.
Bu ortak formata geçilmesi ile görüntülerin daha uygun saklanabilmesi için de geliştirmeler hızlanacaktır.
- Dijital patoloji sadece mikroskopik görüntülerin bilgisayar ortamına aktarılması olarak düşünülmemeli.
Dijital patoloji ile tüm patolojide üretilen tüm bilginin kullanılabilir veri haline getirilmesi ve bunların hastanın diğer bilgileri ile entegre edilmesi hedeflenmelidir.
- Yöneticilerin dijital patoloji kurulum hevesleri sırasında, patologlar fırsatı ganimet bilip laboratuvarın eksiklerini tamamlatmalı ve kaliteyi artırıcı düzenlemeleri uygulatmalıdırlar.
- Yeni çıkan immünohistokimyasal tetkiklerin belli bir süre sonra tanısal özgünlüklerini kaybetmeleri patologları yeni testlere karşı şüpheli yaklaşmaya zorlamıştır.
Aynı şüpheyi yapay zeka algoritmaları için de kullanmak gereklidir.
Yakın zamanda çok sayıda başarılı olduğu iddia edilen algoritma yayınlanmış olmasına karşın bunların kliniğe aktarımı hala kısıtlıdır.
Yayın ve araştırma bolluğu ile birlikte; yapay zeka modellerinin aynı laboratuvardaki tekrarlanabilirlikleri ve başka laboratuvar verilerine aktarılabilirlikleri çok önemli bir problem olarak ortaya çıkmaya başlamıştır.
- Patoloji asistanları açık kaynak kodlu dijital patoloji programlarını kullanmayı öğrenmeli ve açık kaynak kodlu yazılımlar konusunda dijital okur yazarlıklarını geliştirmelidirler.
- Meslek örgütleri radyolojide yaşanan "hizmet alımı" süreci ile "uzaktan tanı" adı altında düşürülen sağlık hizmeti kalitesi ve değersizleştirilen hekim emeğinin farkında olmalı ve buna yönelik tedbir ve tavsiyeler için hazırlanmalıdırlar.
- Tarayıcıların, PACS depolarının ve arayüzlerin birbiri ile uyumu oldukça önemlidir.
ICC profillerinin [^7] [^8] uyumu görüntülerin son kullanıcı olan patolog tarafından değerlendirmesinde önem taşımaktadır
.
[^7]: <https://en.wikipedia.org/wiki/ICC_profile>
[^8]: <http://www.andrewjanowczyk.com/application-of-icc-profiles-to-digital-pathology-images/>
<!-- -->
- Yapay zeka algoritma sağlayıcılarının, laboratuvarda hali hazırda bulunan PACS ve arayüz ile uyum sağlayamaması ve entegrasyon için ayrı emek ve maliyet gerekmesi de dijital patolojinin gelişimindeki engellerdendir.
- Üretilen yapay zeka algoritmaları firmaların sadece kendi arayüzlerinde ve bulut sistemlerinde çalışmaktadır.
Bu sistemler "vendor agnostic" hale henüz gelememişlerdir.
## Değişen Tanılar ve Tanımlamalar
Dijital patolojinin kullanımının yaygınlaşması ile tanılarda ve tanımlamalarda yenilikler ve karmaşıklıklar ortaya çıkmaya başlamıştır.
ÖZellikle ölçümlerin daha hassas yapılmaya başlaması ile hem raporlama hem de klinik yaklaşımlar etkilenmektedir.
Mikroksopun büyük büyütme alanının farklı modellerde standardizasyonu sorun iken şimdi de milimetrekarede yapılan ölçümler sorunlara yol açmaktadır. Bunun en ilginç sonuçlarından biri de meningiomlardaki mitoz sayısının WHO sınıflama kitabında yer alış şeklidir:
"Increased mitotic activity was defined in one large clinicopathological series as ≥ 2.5 mitoses/mm2 (equating to ≥ 4 mitoses per/10 HPF of 0.16 mm2, as originally described)"
https://tumourclassification.iarc.who.int/chaptercontent/45/91
## Yapay Zekanın Dijital Patolojideki Yeri {#sec-yapay-zekanin-dijital-patolojideki-yeri}
Yapay zekanın görüntüler üzerindeki tecrübesinin patolojiye aktarılması ile bilimsel çalışmalarda sık görmeye başladığımız yapay zeka (makina öğrenmesi, derin öğrenme) kullanımı giderek günlük pratiğe de uygulanabilecek özellikler kazanmaktadır.
Yapay zeka ile ilgili çalışmalar literatürde hesaplamalı/sayısal patoloji (computational pathology), matematiksel patoloji olarak da geçmektedir.
::: {.content-hidden when-format="markdown"}
Prostat iğne biyopsilerinin ve meme biyopsilerinin yapay zeka ile ön incelemeden geçirilmesi ve şüpheli alanların işaretlenmesi yakın zamanda rutin kullanım için onaylanmıştır.
Daha önce tanı almış onbinlerce olgunun görüntüleri ve tanıları yapay zeka (artificial intelligence) ve makina öğrenmesi (machine learning) algoritmaları ile işlenmektedir.
Bu şekilde 'öğrenen' algoritma yeni gelen olgunun tanısında ya da özelliklerinin tespitinde kullanılmaktadır.
Bu konuda *AFIP* ve *MSKCC* arşivlerinden elde edilen görüntülerle ilgili çalışmalar yoğun olarak devam etmektedir.
Dijital patolojiye ve genel olarak yapay zekaya yöneltilen en büyük eleştiri, algoritmaların genelde *'kapalı kutu' (black box)* şeklinde olmasıdır.
Şüpheli bir alanın tespit edildiğinde bu alanın neden şüpheli olduğunu bu algoritmalar açıklayamamaktadır.
Ancak bu durum insan beyni için de geçerlidir (araç kullanırken, ya da yemek yerken yaptığımız her hareketi açıklayamayışımız gibi).
Eksiklik gibi görünen bu durum aslında yeni tanı yöntemleri geliştirilmesine olanak tanımakta ve patologların kendilerini de geliştirmelerine katkı sağlamaktadır.
Bu durumu Go ve satranç oyuncularının kendilerini yapay zeka ile geliştirmelerine benzetebiliriz.
Benzer şekilde yapay zekanın yaptığı hatalar patologlar tarafından tespit edilmekte (kanama pigmenti ile immünohistokimyasal incelemelerin karıştırılması gibi) ve algoritmalar güçlendirilmektedir.
Hastanın hayatına direk etki edecek sonuçları olacağından yapay zekanın *açıklanabilir (explainable AI)* olması yönünde çalışmalar devam etmektedir.
Yapay zeka algoritmalarının hedeflenenden farklı değişkenleri (morfolojik bulgu yerine hastanın geldiği klinik gibi veriler) dikkate alabildiği ve hatalı sonuçlar üretebildiği bilindiğinden, bu süreçte kritik edilmekte ve geliştirmeler bu yönde devam etmektedir.
Yapay zeka, dijital patolojinin kendi içindeki kalite sorunlarını çözebildiği gibi (renk ve ışık optimizasyonları), laboratuvarın kalite kontrol basamağında da yer alacaktır.
Boya kalitesinin patoloğa iletilmeden test edilmesi, olası bulaşların önceden tespit edilmesi gibi uygulamalar rutin iş akışına eklenebilecek hale gelmiştir.
Hemen her yıl tekrarlanan metastatik lenf nodlarını tespit edecek yarışmalarda *(Grand Challenge)* müthiş bilgisayar gücü ile Google gibi yazılım firmaları önde yer almaktadır.
Ancak bu sonuçların laboratuvarlarda rutinde kullanabilmesi için güçlü bilgisayar yapısına ve özel ekran kartlarına (GPU altyapısına) ihtiyaç duyulmaktadır.
Maliyeti yüksek olan ve gelişen teknoloji ile sürekli güncellenmesi gereken bu altyapının yerine patoloji yapay zeka firmaları *bulut tabanlı* çözümler de önermektedir.
Buluta yüklenecek görüntülerin analiz edilmesi ve sonuçların tekrar geri gönderilmesini sağlayan bu çözümlerde de yüksek internet bağlantı hızları yanı sıra hasta verisinin farklı ülkelerdeki bulut sistemlerine yüklenmesi konusunda çekinceler bulunmaktadır.
Literatürde yer alan ölçüm temelli çalışmalar (yağ oranı, tümör boyutu, pozitif hücre oranı gibi) genelde semikantitativ yöntemlere dayanmaktadır.
Bu nedenle bilgisayar destekli yeni tanıların *fazla doğru (hypercorrect)* olma ihtimalinin, gereksiz erken tanılara neden olabileceği düşünülmektedir.
Radyolojideki gelişmeler sonrası artan insidentalomalara benzer şekilde ileride patolojideki *erken lezyonların tanımı* da değişecektir.
Bu nedenle klinik faydası olacak eşik değerin seçilmesi ve algortimaların bunlara göre yeniden optimizasyonu gerekecektir.
Yapay zeka ile ilgili çalışmalarda çarpıcı konular ele alınsa da rutin pratiğe etkisi olacak emek yoğun işlemlerde kullanımı hala daha kısıtlıdır.
Morfolojiden sağkalımın ya da genetik özelliklerin tahmin edildiği çalışmalar sansasyonel olarak sunulmakla birlikte, rutin (tabiri caizse amele) işlerde kullanımı daha geri planda kalmaktadır.
Morfolojiden genetiğin tahmin edilebileceği, sadece morfoloji ile sağkalım hakkında çıkarımlar yapılabileceği ve bu bilgilerin insanın farkedemeyeceği özelliklere dayandığını iddia eden çok sayıda çalışma devam etmektedir.
Öte yandan bu gibi reklamı yapılamayacak ve satış için önemli olmayacak ama hasta sağlığı için çok önemli geri plan algoritmaları da mevcuttur.
Mesela her taranan görüntünün rutin olarak kalite kontrolden geçirilip ona göre patoloğun göreceği ekrana aktarılması ya da o günkü tüm vakaları birbiri ile kıyaslayarak olası doku bulaşlarını tespit edip önceden uyarı verilmesi gibi hayati öneme sahip özellikler genelde ön plana çıkamamaktadır.
Farklı laboratuvarlardaki verilerden geliştirilen algoritmaların diğer laboratuvarlardaki kesit ve boya kalitesi ile uyumlu olduğunun gösterilmesi gereklidir.
:::
Yapay zeka ile ilgili beklentilerin realist olması, algoritmaların ise
- tekrarlanabilir (kendi içinde ve dışarıyla tutarlı),
- teknik olarak uygulanabilir,
- klinik pratiğe aktarılabilir ve
- yeni bilgiler ışığında güncellenebilir olması gerekmektedir.
Yapay zeka modellerinin nasıl geliştirildiği oldukça önemlidir.
- TCGA verisinde hatalar olduğu (Murat 2024 USCAP abstract)
- Doku bulaşlarının model başarılarını etkilediği @Irmakci2024
unutulmamalıdır.
Geliştirilmekte olan, temel modeller (foundation models) üzerine inşa edilen modeller (fine-tuning) ile patolojide yapay zeka uygulamaları yaygınlaşacaktır.
[^9]
[^9]: [Foundation Models and Information Retrieval in Digital Pathology](https://www.youtube.com/watch?v=yDVEQHmikQ8)
<https://doi.org/10.1016/j.jpi.2024.100375>
<https://arxiv.org/abs/2312.07814>
Çok modlu bir üretken yapay zeka modeli olan "PathChat 2"[^10] de patolojiye özel bir chatGPT[^11] olarak hayatımızda yer almaya aday modellerdendir
.
[^10]: <https://www.modella.ai/intro.html>
[^11]: <https://chatgpt.com/>
Towards a general-purpose foundation model for computational pathology <https://www.nature.com/articles/s41591-024-02857-3>
A visual-language foundation model for computational pathology <https://www.nature.com/articles/s41591-024-02856-4>
A Multimodal Generative AI Copilot for Human Pathology <https://www.nature.com/articles/s41586-024-07618-3>
Gelecekte her mikroskopta bir kameranın olduğu, masabaşında hemen ulaşılabilecek tarama cihazlarının olduğu çalışma ortamı yanısıra, tamamen mikroskopsuz patoloji iş istasyonları da olacaktır.
Algoritma destekli patoloji pratiğinde 'Bu vakayı Alp Hoca'ya danışalım' yerine 'Bu vakayı AlpApp v25'e yükleyelim' gibi cümleler yer alacağı gibi, ihtiyaca göre uygulama indirilen / geliştirilen PathAppStore'ları da hayatımızdaki yeniliklerden olacaktır.
Tüm bu gelişmeler ışığında gelecekte, bilişimin, metin-görüntü işleme ve yapay zekanın patoloji bölümleri içinde bir alt grup olarak yerleşeceğini ve patoloji laboratuvarlarında bilişim sektöründen de çalışanlar olacağı tahmin edilmektedir.
## İlginç ve örnek çalışmalar {#sec-ilginc-ve-ornek-calismalar}
::: {.content-hidden when-format="markdown"}
"QuPath" açık kaynak kodlu ve ücretsiz biyomedikal görüntü izleme ve inceleme programları arasında patoloji için en çok uygulama olanağı olan programlardandır.
Programın yazarı ve geliştiricisi Dr. Peter Bankhead görüntü analizi için doktora yaptığı sırada elindeki olanakların yetersizliğini farkederek bu yazılımı oluşturmaya başlamış ve geliştirmeye devam etmektedir.
Kolay bir arayüze sahip bu programda patologlar günlük pratikte metrik ölçümler, hücre sayımı yapabilecekleri gibi kendi vaka setleri ile algortimalar geliştirebilmektedirler.
Tümör ve stromda ayrımı, farklı hücrelerin ve dokuların ayrılması gibi araştırma ya da rutinde kullanılabilecek çok sayıda özelliği mevcuttur.
Yakın zamanda geliştirilen Python entegrasyonları ile de ileride çok daha fazla özellik kazanacağı tahmin edilmektedir.
 *QuPath ile tümördeki müsin oranını kolayca tespit edebilmek mümkündür.*
:::
### QuPath {#sec-qupath}
QuPath'ın WSinfer adlı eklentisi ile literatürdeki yapay zeka modellerini kendi vakalarımızda kolayca uygulamak mümkün.
[^12]
[^12]: [preprint](https://arxiv.org/abs/2309.04631) [documentation-1](https://wsinfer.readthedocs.io/en/latest/) [documentation-2](https://qupath.readthedocs.io/en/latest/docs/deep/wsinfer.html) [image.sc](https://forum.image.sc/t/for-wsinfer-extension-how-can-i-find-model-documentations/85493) [linkedIN](https://www.linkedin.com/feed/update/urn:li:activity:7108787522310184960/)
> I am really enthusiastic about the #wsinfer plugin of #qupath Now it will be possible to try published models of digital pathology on my cases without having to find data or code "upon reasonable request", or try correct the corrupt code on github.
> And now the "published models" will face the real world scenario.
> This will change the #digitalpathology and distinguish those models that really work from those that work only on the paper.
> There is one great barrier remaining now, an open source program to make #WSI with a camera attached to a microscope.
> I wish I had the coding skills to do that :)
Gelecekte oldukça fazla QuPath kullanacağımızın bir göstergesi de Apple bilgisayar sunumlarında QuPath'ın örnek olarak yerini almasıdır.\
<https://www.linkedin.com/feed/update/urn:li:activity:7125049439831916544/>\
<https://youtube.com/clip/UgkxMxu0lmNg-9TeX7W59sJXa1dm6nqysu6N?si=4uuz7qVoWqAhYuGp>
### HistoQC {#sec-histoqc}
::: {.content-hidden when-format="markdown"}
Açık kaynak kodlu bir diğer program olan HistoQC ile taranan lamın ne kadar kaliteli olduğu, üzerindeki artefaktalrın ne kadar yer kapladığı, araştırma amaçlı yeterli olup olmadığı tespit edilebilmektedir.
Ayrıca rutin HE boya kalitesi de bu program ile takip edilebilmektedir.
:::
### Octopi {#sec-octopi}
::: {.content-hidden when-format="markdown"}
Stanford üniveristesinden Prakash Laboratuvarı'nın geliştirdiği Octopi ucuz maliyetli (250 dolar) bir dijital tarama cihazıdır.
Bu tarama cihazı periferik kan yaymalarında malaria tespiti için optimize edilmiştir.
Malaria'nın otofloresan özelliği sayesinde hızlıca tarama yapan ve tanısal eritrositleri bulan bu cihaz hem maliyetinin düşük olması hem de dünya çağında önemli bir hastalığın taranmasına katkıda bulunması nedeniyle önemlidir.
Bu çalışma hedefe yönelik olarak geliştirilecek dijital patoloji cihaz ve yöntemlerinin ucuz ve etkin olabileceğinin en önemli örneklerindendir.
:::
### OpenFlexure Microscope {sec-openflexure-microscope}
https://openflexure.org/projects/microscope/
PATHOLOGY RESIDENT EXPERIENCE USING A LOW-COST 3D PRINTED MICROSCOPE FOR PORTABLE DIGITAL PATHOLOGY https://doi.org/10.1016/j.jpi.2022.100043
### µManager {sec-micromanager}
Open Source Software for Control and Automation of Microscope Hardware [^13]
[^13]: https://micro-manager.org/
Diğer açık kaynak kodlu ve ücretsiz programların listesi okuma önerilerinde verilmiştir.
# Referanslar ve okuma Önerileri
## Referanslar
::: {#refs}
:::
## Okuma önerileri: {#sec-okuma-onerileri}
- European Society for Digital and Integrative Pathology <https://digitalpathologysociety.org/>
- Digital Pathology Association <https://digitalpathologyassociation.org/>
- empaia Academy <https://en.empaia.org/academy-2-1>
- Patoloji Atlası <https://www.patolojiatlasi.com/>
- Histopathology Atlas <https://www.histopathologyatlas.com/>
- Patoloji Notları <https://www.patolojinotlari.com/>
- QuPath <https://qupath.github.io/> Bankhead, P. et al. QuPath: Open source software for digital pathology image analysis. Scientific Reports (2017). <https://doi.org/10.1038/s41598-017-17204-5>
- Pete Bankhead, 2022, Introduction to Bioimage Analysis <https://bioimagebook.github.io>
- Best practice recommendations for implementing digital pathology, The Royal College of Pathologists <https://www.rcpath.org/uploads/assets/f465d1b3-797b-4297-b7fedc00b4d77e51/Best-practice-recommendations-for-implementing-digital-pathology.pdf>
- The Leeds Guide to Digital Pathology <https://www.virtualpathology.leeds.ac.uk/research/clinical/docs/2018/pdfs/18778_Leeds%20Guide%20to%20Digital%20Pathology_Brochure_A4_final_hi.pdf>
- Leeds ekran testi: <https://www.virtualpathology.leeds.ac.uk/research/systems/pouqa/pathology/>
- Integrating digital pathology into clinical practice <https://pubmed.ncbi.nlm.nih.gov/34599281/>
- Artificial intelligence-the third revolution in pathology <https://pubmed.ncbi.nlm.nih.gov/30270453/>
- Grand Challenge A platform for end-to-end development of machine learning solutions in biomedical imaging. <https://grand-challenge.org/>
- Manual Whole Slide Imaging <https://www.microvisioneer.com/>
- PathoZoom Scan <https://www.smartinmedia.com/pathozoom-scan/>
- Pallua JD, Brunner A, Zelger B, Schirmer M, Haybaeck J. The future of pathology is digital Pathol Res Pract. 2020 Sep;216(9):153040. doi: 10.1016/j.prp.2020.153040. Epub 2020 Jun 20. PMID: 32825928.
- Petascale Computational Pathology - Prof Nasir Rajpoot at HMS-BWH Pathology Grand Rounds 5 Oct 2020 <https://www.youtube.com/watch?v=nVHRNn-nqMg>
- Advice from one of the world's largest digital pathology implementations <https://medical.sectra.com/case/advice-from-one-of-the-worlds-largest-digital-pathology-implementations/>
- Octopi: Octopi: Open configurable high-throughput imaging platform for infectious disease diagnosis in the field Hongquan Li, Hazel Soto-Montoya, Maxime Voisin, Lucas Fuentes Valenzuela, Manu Prakash bioRxiv 684423; doi: <https://doi.org/10.1101/684423>
- Octopi'nin tanıtımı: <https://twitter.com/prakashlab/status/1144453714637230083>
- Lesson from the COVID-19 pandemic: pathologists need to build their confidence on working in a digital microscopy environment. Virchows Arch 479, 227--229 (2021). <https://doi.org/10.1007/s00428-021-03123-4>
- Validating Whole Slide Imaging for Diagnostic Purposes in Pathology <https://www.cap.org/protocols-and-guidelines/cap-guidelines/current-cap-guidelines/validating-whole-slide-imaging-for-diagnostic-purposes-in-pathology>
- Validating Whole Slide Imaging Systems for Diagnostic Purposes in Pathology: Guideline Update From the College of American Pathologists in Collaboration With the American Society for Clinical Pathology and the Association for Pathology Informatics. Arch Pathol Lab Med 1 April 2022; 146 (4): 440--450. doi: <https://doi.org/10.5858/arpa.2020-0723-CP>
- Digital Pathology & AI in routine clinical practice:From quality control to primary cancer diagnosis <https://www.youtube.com/watch?v=7pRmonus9iM>
- Atallah, N.M., Toss, M.S., Verrill, C. et al. Potential quality pitfalls of digitalized whole slide image of breast pathology in routine practice. Mod Pathol (2021). <https://doi.org/10.1038/s41379-021-01000-8>
## Açık kaynak kodlu veya ücretsiz dijital patoloji programları: {#sec-programlar}
- QuickAnnotator <https://github.com/choosehappy/QuickAnnotator>
- HistoQC <https://github.com/choosehappy/HistoQC>
- QuPath <https://qupath.github.io/>
- Cytomine <https://cytomine.be/>
- Orbit <https://www.orbit.bio/>
- ASAP <https://computationalpathologygroup.github.io/ASAP/>
- Micaia <http://www.micaia.ai>
- ImageJ/ Fiji <https://fiji.sc/>
- ImageScope <https://www.leicabiosystems.com/digital-pathology/manage/aperio-imagescope/>
## Videolar
- [Introduction to Bioimage Analysis](https://www.youtube.com/playlist?list=PL4ta8RxZklWk88KIspPfkYZBP7ZFoAzWs)
- [QuPath tutorial #1 - Getting started](https://www.youtube.com/playlist?list=PL4ta8RxZklWkPB_pwW-ZDVAGPGktAlE5Y)
- [QuPath tutorial #2 - IHC analysis](https://www.youtube.com/playlist?list=PL4ta8RxZklWk_O_Z7K0bZlhmHtaH73vlh)
- [QuPath Spring 2022](https://www.youtube.com/playlist?list=PL87AjRiLthaRmXuSkNQfQKR4HSR0-DqOM)
- [From Samples to Knowledge 2020](https://www.youtube.com/playlist?list=PLlGXRBscPbCD89fRULm4peopF57qugciN)
- [From Zero to QuPath Hero](https://www.youtube.com/playlist?list=PLSCpSsEmyRpANBGQXB_oGslW9NIJz4A12)
- [PathLAKE Masterclasses 2021](https://www.youtube.com/playlist?list=PL33zGSM6CfFB_rezhCamTceNVZ0xazMSp)
- [TIA Centre Seminar Series](https://www.youtube.com/playlist?list=PL33zGSM6CfFCN3gbUFfZ5S0R1HrnMQS7-)
- [Invited Talks & Presentations](https://www.youtube.com/playlist?list=PL33zGSM6CfFDz2dXzirEWjefMGiLZOeOd)
- [ECDP 2019](https://www.youtube.com/playlist?list=PL33zGSM6CfFAhERCNI6YVePePRuTk2YQt)
- [Image processing with python](https://www.youtube.com/playlist?list=PLZsOBAyNTZwYx-7GylDo3LSYpSompzsqW)
- [Dijital Patoloji Webinar Serisi](https://youtube.com/playlist?list=PLxRBOaoEoP4L_skEApK2gt3Iyu3BZQwRh&si=KzgpKYd4Ty0u0Nsb)
- [Breast Cancer KI67 assessment using with the open source QuPath](https://www.youtube.com/watch?v=Yemx9tIqRs0&ab_channel=Victor)
### QuPath
<iframe width="560" height="315" src="https://www.youtube.com/embed/videoseries?si=qeAWY4If6EQbC99p&list=PLSCpSsEmyRpANBGQXB_oGslW9NIJz4A12" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen>
</iframe>
#### Proje Oluşturma
[QuPath projects](https://www.youtube.com/watch?v=kCEp89ypmAY&ab_channel=QuPath)
{{ video https://www.youtube.com/embed/wo9vZccmqwc title="QuPath projects" }}
#### Renkleri Ayırma
{{ video https://www.youtube.com/embed/Oe0rfzLtTO0 }}
{{ video https://www.youtube.com/embed/IpCDnPnFvDc }}
#### Dokuların Tespiti
{{ video https://www.youtube.com/embed/B03-TlH-yVU }}
#### Segment Anything
{{ video https://www.youtube.com/embed/J_ubK5x1vcU }}
#### wsinfer
{{ video https://www.youtube.com/embed/0Z589zWlFQQ }}