Der selbstlernende Deep-Learning-Algorithmus kann ähnliche Fälle in großen pathologischen Bildrepositorys finden
Seltene Krankheiten sind oft schwer zu diagnostizieren und die Vorhersage des besten Behandlungsverlaufs kann für Ärzte eine Herausforderung sein. Forscher des Mahmood Lab am Brigham and Women’s Hospital, einem Gründungsmitglied des Mass General Brigham-Gesundheitssystems, haben einen Deep-Learning-Algorithmus entwickelt, der sich selbst das Erlernen von Funktionen beibringen kann, die dann verwendet werden können, um ähnliche Fälle in großen pathologischen Bildbeständen zu finden. Das als SISH (Self-Supervised Image search for Histology) bekannte neue Tool fungiert wie eine Suchmaschine für Pathologiebilder und hat viele potenzielle Anwendungen, darunter die Identifizierung seltener Krankheiten und die Unterstützung von Ärzten bei der Bestimmung, welche Patienten wahrscheinlich auf ähnliche Therapien ansprechen. Ein Artikel, der den selbstlernenden Algorithmus vorstellt, wurde in Nature Biomedical Engineering veröffentlicht.
Wir zeigen, dass unser System bei der Diagnose seltener Krankheiten helfen und Fälle mit ähnlichen morphologischen Mustern finden kann, ohne dass manuelle Anmerkungen und große Datensätze für überwachtes Training erforderlich sind. Dieses System hat das Potenzial, das Pathologietraining, die Subtypisierung von Krankheiten, die Tumoridentifizierung und die Identifizierung seltener Morphologien zu verbessern.“
Faisal Mahmood, PhD, leitender Autor, Brighams Abteilung für Pathologie
Moderne elektronische Datenbanken können eine immense Menge an digitalen Aufzeichnungen und Referenzbildern speichern, insbesondere in der Pathologie durch Whole Slide Images (WSIs). Aufgrund der Gigapixelgröße jedes einzelnen WSI und der ständig wachsenden Anzahl von Bildern in großen Repositories kann die Suche und der Abruf von WSIs jedoch langsam und kompliziert sein. Daher bleibt die Skalierbarkeit ein wesentliches Hindernis für eine effiziente Nutzung.
Um dieses Problem zu lösen, haben Forscher am Brigham SISH entwickelt, das sich selbst beibringt, Merkmalsdarstellungen zu erlernen, mit denen Fälle mit analogen Merkmalen in der Pathologie unabhängig von der Größe der Datenbank mit konstanter Geschwindigkeit gefunden werden können.
In ihrer Studie testeten die Forscher die Geschwindigkeit und Fähigkeit von SISH, interpretierbare Informationen zu Krankheitssubtypen für häufige und seltene Krebsarten abzurufen. Der Algorithmus konnte schnell und präzise Bilder aus einer Datenbank mit Zehntausenden ganzen Objektträgerbildern von über 22.000 Patientenfällen mit über 50 verschiedenen Krankheitstypen und über einem Dutzend anatomischer Stellen abrufen. Die Geschwindigkeit des Abrufs übertraf in vielen Szenarien andere Methoden, einschließlich des Abrufs von Krankheitssubtypen, insbesondere da die Größe der Bilddatenbank auf Tausende von Bildern skaliert wurde. Auch wenn die Repositories immer größer wurden, konnte SISH eine konstante Suchgeschwindigkeit aufrechterhalten.
Der Algorithmus weist jedoch einige Einschränkungen auf, darunter einen hohen Speicherbedarf, eine begrenzte Kontexterkennung bei großen Gewebeschnitten und die Tatsache, dass er auf eine einzige Bildgebungsmodalität beschränkt ist.
Insgesamt zeigte der Algorithmus die Fähigkeit, Bilder unabhängig von der Repository-Größe und in verschiedenen Datensätzen effizient abzurufen. Es zeigte auch Kompetenz in der Diagnose seltener Krankheitstypen und die Fähigkeit, als Suchmaschine zu dienen, um bestimmte Bildbereiche zu erkennen, die für die Diagnose relevant sein könnten. Diese Arbeit kann einen großen Einfluss auf die zukünftige Diagnose, Prognose und Analyse von Krankheiten haben.
„Da die Bilddatenbanken immer größer werden, hoffen wir, dass SISH dazu beitragen wird, die Identifizierung von Krankheiten zu erleichtern“, sagte Mahmood. „Wir glauben, dass eine wichtige Zukunftsrichtung in diesem Bereich die multimodale Fallsuche ist, bei der Pathologie-, Radiologie-, Genom- und elektronische Krankenaktendaten gemeinsam genutzt werden, um ähnliche Patientenfälle zu finden.“
Quelle:
Referenz:
Chen, C., et al. (2022) Schnelle und skalierbare Suche nach Bildern ganzer Folien durch selbstüberwachtes Deep Learning. Naturbiomedizinische Technik. doi.org/10.1038/s41551-022-00929-8.
.
