พยาธิวิทยาเชิงดิจิทัลเป็นสาขาย่อยของพยาธิวิทยาที่มุ่งเน้นการจัดการและวิเคราะห์ข้อมูลที่สร้างขึ้นจาก สไลด์ตัวอย่าง ดิจิทัลโดยใช้เทคโนโลยีคอมพิวเตอร์และกล้องจุลทรรศน์เสมือนจริงในการดู จัดการ แบ่งปัน และวิเคราะห์สไลด์ดิจิทัลบนจอคอมพิวเตอร์^{[ 1 ]} สาขานี้มีการประยุกต์ใช้ในทางการแพทย์ด้านการวินิจฉัยโรค และมุ่งหวังที่จะบรรลุ การวินิจฉัย การพยากรณ์ โรค และ การคาดการณ์โรค ที่มีประสิทธิภาพและคุ้มค่ามากขึ้นผ่านความก้าวหน้าในการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ในด้านการดูแลสุขภาพ^{[ 2 ] [ 3 ]}

รากฐานของพยาธิวิทยา เชิงดิจิทัล ย้อนกลับไปในช่วงทศวรรษ 1960 ด้วย การทดลองทางพยาธิ วิทยา ทางไกลในยุคแรก แนวคิดของกล้องจุลทรรศน์เสมือนจริงเกิดขึ้นในทศวรรษ 1990 ในหลากหลายสาขาการวิจัยวิทยาศาสตร์ชีวภาพ^{[ 4 ]}เมื่อเข้าสู่ศตวรรษใหม่ ชุมชนวิทยาศาสตร์เห็นพ้องต้องกันมากขึ้นเรื่อยๆ ในคำว่า "พยาธิวิทยาเชิงดิจิทัล" เพื่อบ่งบอกถึง ความพยายามในการ แปลงเป็นดิจิทัลในพยาธิวิทยา อย่างไรก็ตาม ในปี 2000 ข้อกำหนดทางเทคนิค (เครื่องสแกน พื้นที่จัดเก็บ เครือข่าย) ยังคงเป็นปัจจัยจำกัดสำหรับการเผยแพร่แนวคิดพยาธิวิทยาเชิงดิจิทัลอย่างกว้างขวาง สิ่งนี้เปลี่ยนไปเมื่อเทคโนโลยีเครื่องสแกนที่มีประสิทธิภาพและราคาไม่แพง รวมถึง เทคโนโลยี การจัดเก็บข้อมูลขนาดใหญ่/คลาวด์ปรากฏขึ้นในตลาด สาขารังสีวิทยาได้ผ่านการเปลี่ยนแปลงทางดิจิทัลมาเกือบ 15 ปีแล้ว ไม่ใช่เพราะรังสีวิทยาก้าวหน้ากว่า แต่มีความแตกต่างพื้นฐานระหว่างภาพดิจิทัลในรังสีวิทยาและพยาธิวิทยาเชิงดิจิทัล: แหล่งที่มาของภาพในรังสีวิทยาคือผู้ป่วย (ที่ยังมีชีวิตอยู่) และในปัจจุบันในกรณีส่วนใหญ่ ภาพจะถูกบันทึกในรูปแบบดิจิทัลเป็นหลัก ในทางพยาธิวิทยา การสแกนจะทำจากตัวอย่างที่เก็บรักษาและผ่านกระบวนการแล้ว สำหรับการศึกษาแบบย้อนหลัง อาจทำจากสไลด์ที่เก็บไว้ในธนาคารชีวภาพ ก็ได้ นอกจากความแตกต่างในด้านการเตรียมตัวอย่างก่อนการวิเคราะห์และ เนื้อหา เมตาเดตาแล้วพื้นที่จัดเก็บข้อมูลที่จำเป็นในพยาธิวิทยาดิจิทัลยังสูงกว่าในรังสีวิทยาถึงสองถึงสามเท่า อย่างไรก็ตาม ข้อดีที่คาดว่าจะได้รับจากพยาธิวิทยาดิจิทัลนั้นคล้ายคลึงกับข้อดีในรังสีวิทยา:

• ความสามารถในการส่งสไลด์ดิจิทัลในระยะทางไกลได้อย่างรวดเร็ว ซึ่งช่วยให้สามารถใช้งานด้านพยาธิวิทยาทางไกลได้
• สามารถเข้าถึงตัวอย่างจากผู้ป่วยรายเดียวกันและกรณีที่คล้ายคลึงกันในอดีตเพื่อเปรียบเทียบและตรวจสอบได้ โดยใช้ความพยายามน้อยกว่าการค้นหาสไลด์จากชั้นวางในคลังเก็บเอกสารมาก
• ความสามารถในการเปรียบเทียบพื้นที่ต่างๆ บนสไลด์หลายแผ่นพร้อมกัน (โหมดสไลด์ต่อสไลด์) ด้วยความช่วยเหลือของกล้องจุลทรรศน์เสมือนจริง
• ความสามารถในการใส่คำอธิบายประกอบลงในสไลด์โดยตรง และแบ่งปันเพื่อการสอนและการวิจัย

ปัจจุบันพยาธิวิทยาเชิงดิจิทัลถูกนำมาใช้กันอย่างแพร่หลายเพื่อวัตถุประสงค์ทางการศึกษา^{[ 5 ]}ในพยาธิวิทยาทางไกลและการให้คำปรึกษาทางไกลรวมถึงในโครงการวิจัย พยาธิวิทยาเชิงดิจิทัลช่วยให้สามารถแบ่งปันและใส่คำอธิบายประกอบสไลด์ได้ง่ายขึ้นมาก และการดาวน์โหลดชุดบรรยายที่มีคำอธิบายประกอบจะสร้างโอกาสใหม่สำหรับการเรียนรู้ทางอิเล็กทรอนิกส์และการแบ่งปันความรู้ในพยาธิวิทยา พยาธิวิทยาเชิงดิจิทัลในการวินิจฉัยเป็นสาขาที่กำลังเกิดขึ้นใหม่และกำลังมาแรง

สไลด์ดิจิทัลสร้างขึ้นจากสไลด์แก้วโดยใช้เครื่องสแกนเฉพาะทาง การสแกนคุณภาพสูงทั้งหมดต้องปราศจากฝุ่น รอยขีดข่วน และสิ่งกีดขวางอื่นๆ มีสองวิธีทั่วไปสำหรับการสแกนสไลด์ดิจิทัล ได้แก่ การสแกนแบบไทล์และการสแกนแบบเส้น^{[ 6 ]}เทคโนโลยีทั้งสองใช้กล้องในตัวและแท่นวางแบบมอเตอร์เพื่อเคลื่อนสไลด์ไปรอบๆ ในขณะที่ส่วนต่างๆ ของเนื้อเยื่อถูกถ่ายภาพ เครื่องสแกนแบบไทล์จะจับภาพพื้นที่การมองเห็นเป็นรูปสี่เหลี่ยมจัตุรัสครอบคลุมพื้นที่เนื้อเยื่อทั้งหมดบนสไลด์ ในขณะที่เครื่องสแกนแบบเส้นจะจับภาพเนื้อเยื่อเป็นแถบยาวต่อเนื่องแทนที่จะเป็นไทล์ ในทั้งสองกรณี ซอฟต์แวร์ที่เกี่ยวข้องกับเครื่องสแกนจะเชื่อมต่อไทล์หรือเส้นเข้าด้วยกันเป็นภาพเดียวที่ไร้รอยต่อ

Z-stacking คือการสแกนสไลด์ที่ระนาบโฟกัสหลายระนาบตามแนวแกน z แนวตั้ง^{[ 7 ]}

สไลด์ดิจิทัลสามารถเข้าถึงได้สำหรับการดูผ่านจอคอมพิวเตอร์และซอฟต์แวร์การดู ไม่ว่าจะในพื้นที่หรือจากระยะไกลผ่านทางอินเทอร์เน็ต ตัวอย่างของ โปรแกรมดู แบบโอเพนซอร์สบนเว็บที่เขียนด้วยJavaScript บริสุทธิ์ สำหรับเดสก์ท็อปและมือถือ คือ โปรแกรมดู OpenSeadragon ^{[ 8 ] QuPath [ 9 ]}เป็นซอฟต์แวร์โอเพนซอร์สอีกตัวหนึ่ง ซึ่งมักใช้สำหรับแอปพลิเคชันพยาธิวิทยาแบบดิจิทัล เนื่องจากมีชุดเครื่องมือที่มีประสิทธิภาพสำหรับการทำงานกับภาพสไลด์ทั้งหมด MIKAIA lite ^{[ 10 ]}เป็นโปรแกรมดูฟรีที่ใช้บ่อยในการแปลงหรือครอบตัดสไลด์แบบกลุ่ม แปลงรูปแบบคำอธิบายประกอบ สร้างคำอธิบายประกอบ (ตัด ผสาน ลบ เพิ่มระยะขอบ ย่อ/ขยาย) หรือส่งออกไทล์พร้อมมาสก์เพื่อสร้างชุดข้อมูลการฝึกอบรม AI ในทางกลับกัน OpenSlide ^{[ 11 ]} เป็น ไลบรารี C ( มีการเชื่อมต่อกับ PythonและJavaด้วย) ที่มีอินเทอร์เฟซที่เรียบง่ายสำหรับการอ่านและดูภาพสไลด์ทั้งหมด

สไลด์ดิจิทัลจะถูกเก็บรักษาไว้ในระบบจัดการข้อมูล (IMS) ^{[ 12 ]}ซึ่งช่วยให้สามารถจัดเก็บและเรียกค้นข้อมูลได้อย่างชาญฉลาด

สไลด์ดิจิทัลมักถูกจัดเก็บและส่งผ่านทางอินเทอร์เน็ตหรือเครือข่ายส่วนตัว เพื่อใช้ในการดูและค้นคว้าข้อมูล

เครื่องมือวิเคราะห์ภาพใช้เพื่อหาค่าการวัดเชิงปริมาณที่เป็นกลางจากสไลด์ดิจิทัล อัลกอริทึม การแบ่งส่วนภาพและการจำแนกประเภทซึ่งมักจะใช้โครงข่ายประสาทเทียมเชิงลึกใช้ในการระบุบริเวณและวัตถุที่มีความสำคัญทางการแพทย์บนสไลด์ดิจิทัล มีการพัฒนาซอฟต์แวร์เร่งความเร็ว GPU สำหรับการวิเคราะห์ภาพพยาธิวิทยา โดยเปรียบเทียบขอบเขตเชิงพื้นที่ของวัตถุขนาดเล็กที่แบ่งส่วนจำนวนมาก^{[ 13 ]}อัลกอริทึมหลักของ PixelBox ในซอฟต์แวร์นี้ได้รับการนำไปใช้ในไลบรารี Geometric Performance Primitives (GPP) ของ Fixstars ^{[ 14 ]}ซึ่งเป็นส่วนหนึ่งของ NVIDIA Developer ซึ่งเป็นเอ็นจิ้นเรขาคณิตสำหรับการผลิตสำหรับระบบข้อมูลกราฟิกขั้นสูงระบบอัตโนมัติการออกแบบอิเล็กทรอนิกส์คอมพิวเตอร์วิชั่นและโซลูชันการวางแผนการเคลื่อนไหว^{[ 15 ]}

• 
  การคำนวณการย้อมสี Ki67โดย QuPath ในเซมิโนมาบริสุทธิ์ ซึ่งให้การวัดอัตราการแพร่กระจายของเนื้องอก สีต่างๆ แสดงถึงความเข้มของการแสดงออก: สีน้ำเงิน - ไม่มีการแสดงออก, สีเหลือง - ต่ำ, สีส้ม - ปานกลาง และสีแดง - สูง^{[ 16 ]}
• 
  การแบ่งส่วนเนื้อเยื่อสำหรับการคำนวณความหนาแน่นของเซลล์ไขกระดูกแบบดิจิทัลใน QuPath: ระบบได้รับการฝึกฝนโดยพิจารณาจากลักษณะของเซลล์ภูมิคุ้มกันเมื่อเทียบกับเนื้อเยื่อประเภทอื่น และใช้ข้อมูลนี้เพื่อให้ได้เปอร์เซ็นต์โดยรวมของแต่ละประเภท
• 
  การทำนายมะเร็งเต้านมด้วย AI ^{[ 17 ]}

ตัวอย่างอย่างง่ายของการฝึกโครงข่ายประสาทเทียมในการตรวจจับวัตถุทาง เซลล์วิทยา : โครงข่ายได้รับการฝึกฝนด้วยภาพหลายภาพที่ทราบกันดีว่าแสดงถึงเซลล์ปกติ (บนซ้าย) และเซลล์มะเร็ง (ล่างซ้าย) ซึ่งมีความสัมพันธ์กับ "โหนด" ที่แสดงถึงลักษณะทางภาพ ในกรณีนี้คือขนาดของนิวเคลียสและรูปแบบของโครมาติน เซลล์ปกติจะตรงกับนิวเคลียสขนาดเล็กและโครมาตินที่มีเม็ดละเอียด ในขณะที่เซลล์มะเร็งส่วนใหญ่จะตรงกับนิวเคลียสขนาดใหญ่และโครมาตินที่มีเม็ดหยาบ อย่างไรก็ตาม กรณีของเซลล์มะเร็งที่มีโครมาตินละเอียดจะสร้างความสัมพันธ์ที่มีน้ำหนักอ่อนระหว่างกัน

การทำงานของเครือข่ายในครั้งต่อไปกับภาพอินพุต (ซ้าย): เครือข่ายตรวจจับเซลล์ปกติได้อย่างถูกต้อง อย่างไรก็ตาม ความสัมพันธ์ที่มีน้ำหนักน้อยระหว่างโครมาตินละเอียดกับเซลล์มะเร็งยังส่งผลให้สัญญาณของเซลล์มะเร็งจากโหนดกลางหนึ่งในสองโหนดนั้นอ่อนลงด้วย นอกจากนี้ หลอดเลือด (ล่างซ้าย) ที่ไม่ได้รวมอยู่ในการฝึกฝนนั้น สอดคล้องกับรูปแบบของนิวเคลียสขนาดใหญ่และโครมาตินหยาบเพียงบางส่วน จึงส่งผลให้สัญญาณของเซลล์มะเร็งอ่อนลง สัญญาณที่อ่อนเหล่านี้อาจส่งผลให้เกิด ผล บวกเท็จสำหรับเซลล์มะเร็งได้

กระบวนการทำงานด้านพยาธิวิทยาแบบดิจิทัลถูกบูรณาการเข้ากับสภาพแวดล้อมการดำเนินงานโดยรวมของสถาบัน การแปลงสไลด์ให้เป็นดิจิทัลคาดว่าจะช่วยลดจำนวนสไลด์ที่ต้องตรวจสอบด้วยมือเป็นประจำ ซึ่งจะช่วยเพิ่มประสิทธิภาพการทำงานให้สูงสุด

พยาธิวิทยาเชิงดิจิทัลยังช่วยให้สามารถแบ่งปันข้อมูลทางอินเทอร์เน็ตเพื่อการศึกษา การวินิจฉัย การตีพิมพ์ และการวิจัย ซึ่งอาจอยู่ในรูปแบบของชุดข้อมูลที่เปิดเผยต่อสาธารณะ หรือการเข้าถึงอัลกอริธึมการเรียนรู้ของเครื่องแบบโอเพนซอร์ส

พยาธิวิทยาเชิงดิจิทัลอาศัยไฟล์สไลด์ดิจิทัลเป็นหลัก ซึ่งเรียกอีกอย่างว่าภาพสไลด์ทั้งหมด (WSI) ที่รวบรวมภาพความละเอียดสูงของสไลด์กล้องจุลทรรศน์ทั้งหมด ไฟล์เหล่านี้ช่วยให้สามารถวินิจฉัยจากระยะไกล การวิเคราะห์เชิงคำนวณ การศึกษา และการเก็บรักษาข้อมูลในระดับและความยืดหยุ่นที่ไม่สามารถทำได้ด้วยสไลด์แก้วแบบดั้งเดิม การออกแบบทางเทคนิคของรูปแบบไฟล์ดังกล่าวมีผลต่อการทำงานร่วมกัน ประสิทธิภาพ การจัดการข้อมูลในระยะยาวและเวิร์กโฟลว์การวิเคราะห์ขั้นต่อไป โดยทั่วไปแล้ว รูปแบบไฟล์สไลด์ดิจิทัลแบ่งออกเป็นสองประเภทหลัก ได้แก่รูปแบบที่เป็นกรรมสิทธิ์ซึ่งพัฒนาโดยผู้จำหน่ายฮาร์ดแวร์สำหรับเครื่องสแกนของตน และรูปแบบที่ทำงานร่วมกันได้ซึ่งออกแบบมาเพื่ออำนวยความสะดวกในการใช้งานข้ามแพลตฟอร์มและการแลกเปลี่ยนข้อมูลแบบเปิด^{[ 18 ]}

รูปแบบสไลด์ดิจิทัลที่เป็นกรรมสิทธิ์ได้รับการพัฒนาโดยผู้จำหน่ายฮาร์ดแวร์เพื่อเพิ่มประสิทธิภาพและฟังก์ชันการทำงานสำหรับระบบการสแกนเฉพาะของตน รูปแบบเหล่านี้โดยทั่วไปจะขยายคอนเทนเนอร์รูปภาพมาตรฐานด้วยโครงสร้างเมตาเดตาแบบกำหนดเอง รูปแบบการบีบอัด และแบบแผนการจัดระเบียบที่ปรับให้เข้ากับแนวทางเทคโนโลยีของผู้ผลิตแต่ละราย รูปแบบของผู้จำหน่ายได้รับการออกแบบมาเพื่อเพิ่มประสิทธิภาพชุดคุณสมบัติของระบบนิเวศดั้งเดิมของตน และก่อให้เกิดความท้าทายสำหรับการเก็บรักษาข้อมูลในระยะยาว ความเข้ากันได้ข้ามแพลตฟอร์ม และเวิร์กโฟลว์การวิเคราะห์ที่เป็นกลางต่อผู้จำหน่าย^{[ 19 ]}ความท้าทายเหล่านี้รวมถึง สถานการณ์ การผูกขาดผู้จำหน่ายที่สถาบันต่างๆ ต้องพึ่งพาฮาร์ดแวร์และซอฟต์แวร์ระบบนิเวศเฉพาะ ความยากลำบากในการย้ายข้อมูลระหว่างแพลตฟอร์มต่างๆ และต้นทุนที่เพิ่มขึ้นสำหรับการบำรุงรักษาชุดเครื่องมือ ที่เป็นกรรมสิทธิ์หลาย ^ชุด[ 20 ^]

รูปแบบ SVS (Slide and Viewable Storage) ซึ่งพัฒนาโดย Aperio (ปัจจุบันเป็นส่วนหนึ่งของLeica Biosystems ) เป็นหนึ่งในรูปแบบสไลด์ดิจิทัลที่ใช้กันอย่างแพร่หลายที่สุดในพยาธิวิทยาทางคลินิกและการวิจัย ไฟล์ SVS อิงตามมาตรฐานภาพ TIFF ซึ่งขยายเพื่อรองรับ พีระมิดภาพหลายความละเอียด รูปแบบนี้รองรับความละเอียดของภาพหลายระดับภายในไฟล์เดียว โดยแต่ละระดับจะถูกจัดเก็บเป็นภาพแบบเรียงต่อกัน ภาพฐาน (ภาพแรก) จะเป็นภาพที่ถ่ายด้วยความละเอียดเต็มเสมอ ภาพย่อยจะแสดงภาพรวมที่ลดขนาดลง ภาพ ขนาดย่อและอาจเป็นภาพมาโครหรือฉลากที่สแกนจากสไลด์แก้ว^{[ 21 ]}

NDPI เป็น รูปแบบการสร้างภาพสไลด์แบบเต็มแผ่นที่เป็นกรรมสิทธิ์ของ Hamamatsuซึ่งใช้ TIFF เป็นพื้นฐาน โดยผสมผสานพีระมิด TIFF แบบหลายไดเร็กทอรีมาตรฐานเข้ากับส่วนขยายที่กำหนดเองสำหรับการดูแบบเข้าถึงแบบสุ่มและการจัดการเมตาเดตา รูปแบบนี้ฝังแถบภาพที่บีบอัดด้วย JPEG ไว้ภายในTIFF IFDsใช้ช่วงแท็กส่วนตัวสำหรับแคตตาล็อกออฟเซ็ตและเครื่องหมายเริ่มต้นใหม่ และวางภาพรวมมาโครไว้ในไดเร็กทอรีสุดท้าย ทั้งหมดนี้โดยไม่ต้องใช้ไฟล์ดัชนีแยกต่างหาก พีระมิด TIFF หลายความละเอียด IFDs แยกต่างหากแสดงถึงระดับการซูมแต่ละระดับ ภาพรวมความละเอียดต่ำสุด (มาโคร) อยู่ในไดเร็กทอรีสุดท้าย แถบภาพที่บีบอัดด้วย JPEGพร้อมเครื่องหมายเริ่มต้นใหม่ ข้อมูลภาพถูกจัดเก็บเป็นแถบภาพที่บีบอัดด้วย JPEG เครื่องหมายเริ่มต้นใหม่ช่วยให้สามารถถอดรหัสแถบภาพแต่ละแถบได้อย่างมีประสิทธิภาพและเข้าถึงแบบสุ่ม แท็ก TIFF ส่วนตัว (65420–65449+) Hamamatsu สงวนแท็กที่กำหนดเองเพื่อบันทึกออฟเซ็ตของแถบภาพ บิตออฟเซ็ตลำดับสูง แคตตาล็อกเครื่องหมายเริ่มต้นใหม่ และเมตาเดตาเฉพาะสไลด์ เช่น พารามิเตอร์การสแกน^{[ 22 ] [ 23 ] [ 24 ] [ 25 ]}

รูปแบบ iSyntax ซึ่งพัฒนาโดยPhilipsสำหรับระบบ IntelliSite Pathology Solution และ Ultra Fast Scanner เป็นรูปแบบภาพสไลด์ทั้งหมด (WSI) ที่เป็นกรรมสิทธิ์ ออกแบบมาเพื่อรวมคุณภาพของภาพระดับทางการแพทย์ของJPEG 2000เข้ากับความเร็วและการตอบสนองของ JPEG แตกต่างจากรูปแบบ TIFF แบบดั้งเดิมที่ใช้พีระมิด iSyntax ใช้รูปแบบการบีบอัดแบบหลายความละเอียดโดยธรรมชาติที่ใช้เวฟเล็ต รูปแบบนี้ได้รับการปรับให้เหมาะสมสำหรับการเข้ารหัสและถอดรหัสแบบเรียลไทม์ ด้วยขั้น ตอน การเข้ารหัสเอนโทรปี แบบง่าย —โดยอิงจากความสัมพันธ์ในพื้นที่และตัวเข้ารหัสเลขคณิต—ซึ่งเร็วกว่าEBCOTของJPEG 2000โดยมีค่าใช้จ่ายคือขนาดไฟล์เพิ่มขึ้นประมาณ 10% ^{[ 26 ]}

ข้อมูลเมตาใน iSyntax ถูกจัดเก็บไว้ในโครงสร้างที่เป็นกรรมสิทธิ์เฉพาะ ซึ่งสามารถเข้าถึงได้ผ่านทาง Philips Pathology SDK เนื่องจากเป็นข้อกำหนดแบบปิด การทำงานร่วมกับไลบรารีที่ไม่ขึ้นกับผู้ผลิตรายใด เช่น OpenSlide จึงไม่ได้รับการสนับสนุนโดยตรง และการเข้าถึงจากบุคคลภายนอกมักต้องใช้ SDK อย่างเป็นทางการหรือเครื่องมือแปลงข้อมูล

PHN เป็นรูปแบบไฟล์แบบเปิดที่ออกแบบมาเพื่อจัดเก็บและแบ่งปันข้อมูลพยาธิวิทยาเชิงดิจิทัลในระดับเส้นใยแต่ละเส้น (วัตถุเส้นใย) โดยให้ความสนใจเป็นพิเศษกับเส้นใยคอลลาเจนและพังผืดที่สกัดจากภาพเนื้อเยื่อวิทยาแบบสไลด์ทั้งหมด เส้นใย (วัตถุเส้นใย) สามารถได้มาจากการวิเคราะห์ภาพของโปรตีนเส้นใยอื่นๆ เช่น อีลาสติน ลามินิน ไฟโบรเนกติน… สำหรับภาพพยาธิวิทยาเชิงดิจิทัลแต่ละภาพ ไฟล์ PHN จะมีพิกัดเชิงพื้นที่ การวัด หน้ากากการแบ่งส่วนระดับพิกเซล ข้อมูลการวิเคราะห์พื้นผิวเส้นใย พื้นที่ที่สนใจ (ถ้ามี) ทำให้สามารถแบ่งปันข้อมูลได้ ^{[ 27 ]}

ไฟล์ PHN สามารถทำงานร่วมกับชุดข้อมูลชีววิทยาเชิงพื้นที่อื่นๆ ได้ จึงทำให้ (ก) สามารถวิเคราะห์โครงสร้างเส้นใยชีวภาพเชิงพื้นที่แบบใหม่ หรือ (ข) สามารถรวมชุดข้อมูลเชิงพื้นที่เพื่อเชื่อมโยงรูปแบบทางชีววิทยา เช่น การวิเคราะห์เซลล์เดี่ยว^{[ 28 ]}และเนื้อเยื่อวิทยาได้ ในทางเทคนิค ไฟล์ PHN ใช้ส่วนขยาย .phn และสร้างขึ้นเป็นไฟล์ ZIP มาตรฐาน ภายในจะรวมไฟล์ JSON ที่มนุษย์อ่านได้ (สำหรับข้อมูลเมตาและการวัด) เข้ากับไฟล์ NumPy .npz ที่มีประสิทธิภาพ (สำหรับมาสก์การแบ่งส่วน) เส้นใยแต่ละเส้นจะถูกจัดเก็บเป็นวัตถุของตัวเอง รวมถึงรูปทรงเรขาคณิต กล่องขอบเขต และคุณลักษณะเชิงปริมาณ ทำให้สามารถสร้างบริบทเชิงพื้นที่ทั้งหมดทั่วทั้งเนื้อเยื่อได้อย่างแม่นยำ

PHN ได้รับการออกแบบให้มีความโปร่งใสและสามารถทำงานร่วมกันได้ เพื่อให้ข้อมูลเกี่ยวกับพังผืดในเส้นใยเดี่ยวสามารถแบ่งปัน ทำซ้ำ และวิเคราะห์ได้อย่างง่ายดายในแพลตฟอร์มต่างๆ โดยไม่ต้องพึ่งพาระบบที่เป็นกรรมสิทธิ์เฉพาะ

ตัวอย่างเพิ่มเติม ได้แก่ BIF (BioImagene Image File, Roche ), MRXS (3DHistech), SCN (Leica รุ่นเก่า), VMS/VMU (Hamamatsu ประเภทอื่นๆ) และอื่นๆ อีกมากมาย ซึ่งส่วนใหญ่ใช้โครงสร้างแบบ TIFF หรือ BigTIFF ในรูปแบบต่างๆ เพิ่มแท็กเฉพาะ และฝังข้อมูลเมตาที่ไม่ซ้ำกัน ความหลากหลายของรูปแบบเฉพาะ การขาดเอกสารสาธารณะ และ SDK ของผู้จำหน่ายที่พัฒนาอย่างต่อเนื่อง ล้วนเป็นปัจจัยที่ก่อให้เกิดความท้าทายในการเข้าถึงอย่างทั่วถึงและความเข้ากันได้ของเครื่องมืออย่างครอบคลุม

เพื่อตอบสนองต่อการแพร่กระจายของรูปแบบที่เป็นกรรมสิทธิ์และความต้องการที่เพิ่มขึ้นสำหรับโซลูชันพยาธิวิทยาดิจิทัลขนาดใหญ่ หลายศูนย์ และขับเคลื่อนด้วย AI ชุมชนได้พัฒนาชุดรูปแบบภาพที่ทำงานร่วมกันได้ซึ่งได้รับการออกแบบมาเพื่อการเก็บรักษาในระยะยาวและการวิเคราะห์ประสิทธิภาพสูง ที่สำคัญที่สุดคือDICOMสำหรับการถ่ายภาพสไลด์ทั้งหมดOME-TIFFและIris File Extension ซึ่งแต่ละรูปแบบมีข้อได้เปรียบที่สำคัญสำหรับ การแบ่งปันข้อมูลข้ามแพลตฟอร์มการกำหนดมาตรฐานเมตาเดต้า และการบูรณาการเครื่องมือ^{[ 29 ] [ 30 ]}

มาตรฐานDICOMซึ่งเดิมพัฒนาขึ้นสำหรับการถ่ายภาพรังสี ได้รับการขยายเพื่อรองรับการถ่ายภาพสไลด์ทั้งหมด (WSI) พร้อมคำจำกัดความที่ครอบคลุมสำหรับพีระมิดภาพแบบเรียงต่อกัน เมตาเดตาอ้างอิงข้าม และเวิร์กโฟลว์การถ่ายภาพที่ซับซ้อน DICOM Supplement 145 ได้แนะนำ VL Whole Slide Microscopy Image IOD (Information Object Definition) ^{[ 31 ]}ซึ่งช่วยให้สามารถจัดเก็บภาพพยาธิวิทยาขนาดใหญ่ที่มีความละเอียดหลายระดับเป็นชุดของเฟรม (ไทล์) ภายในชุด DICOM เดียว คุณสมบัติหลัก ได้แก่:

• พีระมิดความละเอียดหลายระดับประกอบด้วยไฟล์ภาพแยกต่างหากที่แสดงถึงระดับความละเอียดแต่ละระดับภายในไดเร็กทอรีเดียวสำหรับแต่ละสไลด์
• รองรับการบีบอัด ไฟล์ JPEGและJPEG 2000 (J2K)
• ความสามารถในการสร้างภาพแบบ Z-plane และหลายช่องสัญญาณสำหรับการสร้างภาพเชิงลึกและข้อมูลเมตาที่เกี่ยวข้อง
• การเข้ารหัสเมตาเดต้าแบบมีโครงสร้างโดยใช้แท็กคุณลักษณะ DICOM มาตรฐาน เพื่อให้ได้ข้อมูลตัวอย่างและพารามิเตอร์การได้มาซึ่งข้อมูลที่สามารถสร้างซ้ำได้
• ระบบพิกัดอ้างอิงพร้อมการกำหนดตำแหน่งเชิงพื้นที่ตามสไลด์ (X, Y, Z) และแท็กกรอบอ้างอิง
• รองรับการจัดเรียงข้อมูลแบบเต็มรูปแบบและแบบกระจัดกระจาย เพื่อการจัดระเบียบข้อมูลที่ยืดหยุ่น

เวิร์กโฟลว์ทางคลินิกจำนวนมากกำลังนำ DICOM WSI มาใช้เป็นรูปแบบอ้างอิงระยะยาว ส่วนหนึ่งเนื่องมาจากข้อกำหนดด้านกฎระเบียบและความต้องการความสามารถในการทำงานร่วมกันที่เป็นมาตรฐานระหว่างสถาบันและแพลตฟอร์มต่างๆ^{[ 32 ] [ 33 ]}

อย่างไรก็ตาม ยังคงมีความท้าทายหลายประการ การเข้ารหัส DICOM WSI อาจทำให้เกิดภาระการคำนวณเพิ่มขึ้นเนื่องจากโครงสร้างแบบหลายส่วน ทำให้การแสดงผลแบบเรียลไทม์ภายในโปรแกรมดูภาพทำได้ยากกว่ารูปแบบที่เป็นกรรมสิทธิ์หรือเน้นประสิทธิภาพ^{[ 34 ]}นอกจากนี้ DICOM ยังถูกวิพากษ์วิจารณ์ว่าเป็นข้อกำหนดไฟล์แบบรวมศูนย์ที่กำหนดข้อจำกัดทางสถาปัตยกรรมและจำกัดทางเลือกทางเทคโนโลยี^{[ 35 ] [ 36 ]}เครื่องมือแปลง เช่น wsidicomizer, Orthanc WSI server และ TIFFToDicom ของ PixelMed ช่วยอำนวยความสะดวกในการย้ายจากรูปแบบดั้งเดิมไปยังไฟล์เก็บถาวรที่สอดคล้องกับ DICOM ^{[ 37 ] [ 38 ]}

OME-TIFFเป็นรูปแบบเปิดที่ขยายได้ซึ่งพัฒนาโดย กลุ่มความร่วมมือ Open Microscopy Environment (OME) เพื่อตอบสนองความต้องการทั้งข้อมูลและเมตาเดตาของการถ่ายภาพชีวภาพสมัยใหม่^{[ 39 ]}โดยขยาย โครงสร้าง TIFF แบบคลาสสิ กด้วยไลบรารีและการสนับสนุนเครื่องมือที่แพร่หลาย โดยการฝังเมตาเดตา OME-XML ที่มีโครงสร้างไว้ภายในแท็ก TIFF โดยเฉพาะอย่างยิ่งภายในฟิลด์ ImageDescription ของ Image File Directory (IFD) แรก ข้อกำหนดของไฟล์มีให้ใช้งานโดยกลุ่มความร่วมมือ OME ^{[ 40 ]} คุณสมบัติหลัก ได้แก่:

• การรองรับ ความละเอียดหลายระดับแบบพีระมิด : OME-TIFF ใช้กลไก SubIFD ของ TIFF (แท็ก 330) เพื่อแสดงภาพแบบพีระมิด ช่วยให้การนำทางภาพทำได้อย่างรวดเร็ว แต่ละระดับสามารถใช้การบีบอัดของตัวเองได้ ( JPEG , JPEG 2000 เป็นต้น) และรองรับนามสกุลไฟล์BigTIFF สำหรับไฟล์ขนาดใหญ่
• ความสามารถในการขยายข้อมูลเมตา: OME- XMLเป็นภาษาข้อมูลเมตาแบบ Schema-centered ที่สามารถแสดงที่มาของภาพ (เช่น กล้องจุลทัศน์ เลนส์ ตัวตรวจจับ) รูปแบบการได้มาซึ่งภาพ การแมปพิกัด และรายละเอียดการทดลอง คุณลักษณะต่างๆ เช่น ความยาวคลื่นของช่องสัญญาณดัชนี Zจุดเวลา และวัตถุประสงค์ ได้รับการกำหนดมาตรฐานเพื่อความสามารถในการทำงานร่วมกัน
• ความสามารถในการประมวลผลหลายมิติ: รองรับภาพซ้อน (Z-stacks), อนุกรมเวลา, การถ่ายภาพหลายช่องสัญญาณ และการจัดระเบียบข้อมูล 3 มิติ/4 มิติ
• ระบบนิเวศ OME: ไลบรารี Java Bio-Formats และเซิร์ฟเวอร์ OMERO ให้ความสามารถในการอ่าน/เขียนและจัดการภาพ OME-TIFF พร้อมด้วยการวิเคราะห์บนเดสก์ท็อปที่รองรับโดยQuPath , Fiji / ImageJและอื่นๆ
• การตรวจสอบความถูกต้องและการจัดเก็บ: รูปแบบข้อมูลถูกกำหนดไว้อย่างเปิดเผย ทำให้เหมาะสมสำหรับการจัดการข้อมูลการวิจัยในระยะยาว การยื่นเอกสารต่อหน่วยงานกำกับดูแล และเวิร์กโฟลว์ AI ที่สามารถทำซ้ำได้

OME-TIFF ได้รับการยอมรับอย่างกว้างขวางในการวิจัยและพยาธิวิทยาเชิงวิชาการ โดยให้ความสำคัญกับการบูรณาการข้อมูลเมตาที่ครอบคลุมและขั้นตอนการวิเคราะห์ ไลบรารี Bio-Formats Java และเซิร์ฟเวอร์ OMERO ให้ความสามารถในการอ่าน/เขียนและการจัดการ โดยรองรับการวิเคราะห์บนเดสก์ท็อปด้วย QuPath และ Fiji/ImageJ ^{[ 41 ]}โค้ดโอเพนซอร์สช่วยให้สามารถเข้าถึงไฟล์ OME-TIFF ได้อย่างแพร่หลายในทุกแพลตฟอร์ม^{[ 42 ]}

ส่วนขยายไฟล์ Iris (IFE) เป็นรูปแบบคอนเทนเนอร์ไบนารีสมัยใหม่สำหรับภาพสไลด์ทั้งภาพที่พัฒนาขึ้นที่มหาวิทยาลัยมิชิแกนสร้างขึ้นบนเทคโนโลยีการจัดเรียงข้อมูลที่มีประสิทธิภาพในปัจจุบันและรวม แนวคิด TIFF ที่คุ้นเคย IFE แก้ไขข้อจำกัดด้านประสิทธิภาพของรูปแบบที่มีอยู่ผ่านสถาปัตยกรรมที่ได้รับการปรับให้เหมาะสมซึ่งออกแบบมาโดยเฉพาะสำหรับการดำเนินการไฟล์ความเร็วสูงและการเรนเดอร์สไลด์ในพื้นที่ที่มีประสิทธิภาพ รูปแบบนี้ช่วยให้สามารถอ่านแบบสุ่มได้อย่างรวดเร็วและเขียนไฟล์เข้ารหัสแบบมัลติเธรดจำนวนมากในขณะที่ยังคงรักษาความเข้ากันได้ผ่านขั้นตอนการตรวจสอบความถูกต้อง^{[ 43 ]}ข้อกำหนดนี้เปิดเผยอย่างสมบูรณ์ภายใต้ใบอนุญาต Creative Commons Attribution-No Derivative 4.0 ^{[ 44 ]}

คุณสมบัติหลักได้แก่:

• ตารางออฟเซ็ตไทล์ไบนารีแบบแมปหน่วยความจำ ช่วยให้เข้าถึงข้อมูลแบบสุ่มได้โดยตรงโดยไม่ต้องสร้างดัชนีเพิ่มเติม
• รองรับการบีบอัดข้อมูลที่ทันสมัยสำหรับ ไฟล์ภาพ JPEG รุ่นเก่า และไฟล์ภาพAVIF รุ่นใหม่
• ส่วนข้อมูลเมตาที่เข้ารหัสแบบไบนารี ซึ่งจัดเก็บคำอธิบายสไลด์ พารามิเตอร์การได้มาซึ่งภาพ และพิกัดเชิงพื้นที่
• การตรวจสอบความสมบูรณ์ของไฟล์ในระดับไฟล์และระดับส่วน พร้อมการตรวจจับความเสียหายตั้งแต่เนิ่นๆ
• บล็อกคำอธิบายประกอบแบบฝังตัวสำหรับการแปลงข้อมูลเชิงพื้นที่ที่สนใจเป็นรูปแบบอนุกรมดั้งเดิม
• สถาปัตยกรรมเขียนแบบขนานหลายเธรดที่ช่วยให้สามารถเข้ารหัสและล้างข้อมูลไทล์พร้อมกันได้
• ระบบนิเวศโอเพนซอร์ส: Iris Codec (พร้อม โมดูล WebAssembly ) และ Iris RESTful server ให้การปรับใช้เครือข่ายที่มีประสิทธิภาพและเครื่องมือสำหรับการแปลงรูปแบบและการอัปเดตไฟล์^{[ 45 ]}
• ส่วนหัวที่มีการกำหนดเวอร์ชันพร้อมแฟล็กคุณสมบัติเพื่อให้มั่นใจถึงความเข้ากันได้ทั้งกับเวอร์ชันเก่าและเวอร์ชันใหม่

IFE ฝังข้อมูลเมตาที่มีโครงสร้างและคำอธิบายประกอบไว้พร้อมกับข้อมูลพิกเซล ทำให้สามารถตรวจสอบความถูกต้องแบบบูรณาการและจัดการพื้นที่ที่สนใจภายในไฟล์เดียวได้ สถาปัตยกรรมของรูปแบบนี้แยกการแยกวิเคราะห์ข้อมูลเมตาออกจากการดึงข้อมูลพิกเซล และใช้พื้นที่ที่แมปหน่วยความจำเพื่อให้ได้เวลาการเข้าถึงไทล์ที่เหมาะสมที่สุดเมื่อเทียบกับรูปแบบ WSI แบบดั้งเดิม มีการใช้งานข้ามแพลตฟอร์มใน^C ++ [ ^{46 ]} Python ^{[ 47 ]}และJavaScriptพร้อมเครื่องมือตรวจสอบความถูกต้องตามข้อกำหนดที่สนับสนุนการนำไปใช้ในวงกว้าง^{[ 48 ]}

พยาธิวิทยาเชิงดิจิทัลได้รับการอนุมัติจากFDAสำหรับการวินิจฉัยเบื้องต้น^{[ 49 ]}การอนุมัตินี้อิงตามการศึกษาแบบหลายศูนย์จำนวน 1,992 กรณี ซึ่งแสดงให้เห็นว่าการถ่ายภาพสไลด์ทั้งหมด (WSI) ไม่ด้อยกว่ากล้องจุลทรรศน์ในตัวอย่างพยาธิวิทยาทางศัลยกรรม ประเภทตัวอย่าง และการย้อมสีที่หลากหลาย^{[ 50 ]}ณ กลางปี ​​2025 มี AI พยาธิวิทยาเชิงดิจิทัลประมาณ 50 ตัวที่ได้รับการอนุมัติสำหรับการใช้งานวินิจฉัยเบื้องต้น (CE-IVD / CE-IVDR) ในสหภาพยุโรป [ 51 ] แม้ว่า WSI จะมีข้อดีในการสร้างข้อมูลดิจิทัลจากสไลด์แก้ว แต่เมื่อพูดถึงแอปพลิเคชันพยาธิวิทยาทางไกลแบบเรียลไทม์WSI ไม่ใช่^{ตัวเลือกที่}ดีสำหรับการอภิปรายและการทำงานร่วมกันระหว่างพยาธิแพทย์ระยะไกลหลายคน^{[ 52 ]}นอกจากนี้ ต่างจากรังสีวิทยาเชิงดิจิทัลที่การกำจัดฟิล์มทำให้ผลตอบแทนจากการลงทุน (ROI) ชัดเจน ROI ของอุปกรณ์พยาธิวิทยาเชิงดิจิทัลนั้นไม่ชัดเจนนัก เหตุผล ROI ที่แข็งแกร่งที่สุด ได้แก่ การปรับปรุงคุณภาพการดูแลสุขภาพประสิทธิภาพที่เพิ่มขึ้นสำหรับพยาธิแพทย์ และต้นทุนที่ลดลงในการจัดการสไลด์แก้ว^{[ 53 ]}

การตรวจสอบความถูกต้องของเวิร์กโฟลว์กล้องจุลทรรศน์ดิจิทัลในสภาพแวดล้อมเฉพาะ (ดูด้านบน) มีความสำคัญต่อการรับประกันประสิทธิภาพการวินิจฉัยที่สูงของพยาธิแพทย์เมื่อประเมินภาพสไลด์ดิจิทัลแบบเต็มแผ่น มีวิธีการต่างๆ ที่สามารถใช้สำหรับกระบวนการตรวจสอบความถูกต้องนี้ได้^{[ 54 ]}วิทยาลัยพยาธิแพทย์อเมริกันได้เผยแพร่แนวทางที่มีข้อกำหนดขั้นต่ำสำหรับการตรวจสอบความถูกต้องของระบบการถ่ายภาพสไลด์แบบเต็มแผ่นเพื่อวัตถุประสงค์ในการวินิจฉัยโรคในพยาธิวิทยาของมนุษย์^{[ 55 ]}

โดยปกติแล้ว พยาธิแพทย์ที่ได้รับการฝึกฝนจะดูสไลด์เนื้อเยื่อภายใต้กล้องจุลทรรศน์ สไลด์เนื้อเยื่อเหล่านี้อาจถูกย้อมสีเพื่อเน้นโครงสร้างของเซลล์ เมื่อสไลด์ถูกแปลงเป็นดิจิทัล จะสามารถแบ่งปันผ่านระบบโทรพยาธิวิทยาและวิเคราะห์เชิงตัวเลขโดยใช้อัลกอริธึมคอมพิวเตอร์อัลกอริธึมสามารถใช้เพื่อทำให้การนับโครงสร้างด้วยตนเองเป็นไปโดยอัตโนมัติ หรือเพื่อจำแนกสภาพของเนื้อเยื่อ เช่น ที่ใช้ในการจัดระดับเนื้องอก นอกจากนี้ยังสามารถใช้สำหรับการตรวจจับลักษณะเฉพาะของเซลล์ที่กำลังแบ่งตัว เซลล์เยื่อบุผิว หรือโครงสร้างเฉพาะของเนื้อเยื่อ เช่น ก้อนมะเร็งปอด โกลเมอรูลัส หรือหลอดเลือด หรือการประมาณค่าตัวบ่งชี้ทางชีวภาพระดับโมเลกุล เช่น ยีนกลายพันธุ์ภาระการกลายพันธุ์ของเนื้องอกหรือการเปลี่ยนแปลงการถอดรหัส^{[ 56 ] [ 57 ] [ 58 ]}สิ่งนี้มีศักยภาพในการลดข้อผิดพลาดของมนุษย์และปรับปรุงความแม่นยำของการวินิจฉัย สไลด์ดิจิทัลสามารถแบ่งปันได้ง่าย เพิ่มศักยภาพในการใช้ข้อมูลในการศึกษา ตลอดจนในการปรึกษาหารือระหว่างพยาธิแพทย์ผู้เชี่ยวชาญ การถ่ายภาพแบบมัลติเพล็กซ์ (การย้อมสีเครื่องหมายหลายตัวบนสไลด์เดียวกัน) ช่วยให้พยาธิแพทย์เข้าใจการกระจายตัวของเซลล์ประเภทต่างๆ และตำแหน่งสัมพัทธ์ของเซลล์เหล่านั้นได้ดียิ่งขึ้น^{[ 59 ]}ความเข้าใจเกี่ยวกับการกระจายตัวของเซลล์ประเภทต่างๆ หรือเครื่องหมายและเส้นทางที่เซลล์เหล่านั้นแสดงออก จะช่วยให้สามารถสั่งจ่ายยาเป้าหมายหรือสร้างการบำบัดแบบผสมผสานในแบบเฉพาะบุคคลได้