يمكن لخوارزمية التعلم العميق للتعلم الذاتي العثور على حالات مماثلة في مستودعات الصور المرضية الكبيرة

يمكن لخوارزمية التعلم العميق للتعلم الذاتي العثور على حالات مماثلة في مستودعات الصور المرضية الكبيرة

غالبًا ما يكون من الصعب تشخيص الأمراض النادرة، وقد يكون التنبؤ بأفضل مسار للعلاج أمرًا صعبًا بالنسبة للأطباء. قام الباحثون في مختبر محمود في بريجهام ومستشفى النساء، وهو عضو مؤسس في نظام الصحة في ماس جنرال بريجهام، بتطوير خوارزمية تعلم عميقة يمكنها تعليم نفسها تعلم الميزات التي يمكن استخدامها بعد ذلك للعثور على حالات مماثلة في مستودعات الصور الباثولوجية الكبيرة. تعمل الأداة الجديدة، المعروفة باسم SISH (البحث عن الصور تحت الإشراف الذاتي لعلم الأنسجة)، مثل محرك بحث عن صور علم الأمراض ولديها العديد من التطبيقات المحتملة، بما في ذلك تحديد الأمراض النادرة ومساعدة الأطباء على تحديد المرضى الذين من المحتمل أن يستجيبوا لعلاجات مماثلة. تم نشر مقال يعرض خوارزمية التعلم الذاتي في مجلة Nature Biomedical Engineering.

نوضح أن نظامنا يمكن أن يساعد في تشخيص الأمراض النادرة والعثور على الحالات ذات الأنماط المورفولوجية المماثلة دون الحاجة إلى التعليقات التوضيحية اليدوية ومجموعات البيانات الكبيرة للتدريب الخاضع للإشراف. يتمتع هذا النظام بالقدرة على تحسين التدريب على علم الأمراض، والتصنيف الفرعي للمرض، وتحديد الورم وتحديد الأشكال النادرة.

فيصل محمود، دكتوراه، مؤلف رئيسي، قسم علم الأمراض في بريجهام

يمكن لقواعد البيانات الإلكترونية الحديثة تخزين كمية هائلة من السجلات الرقمية والصور المرجعية، خاصة في علم الأمراض من خلال صور الشرائح الكاملة (WSIs). ومع ذلك، نظرًا لحجم الجيجابكسل لكل WSI على حدة والعدد المتزايد باستمرار من الصور في المستودعات الكبيرة، قد يكون البحث عن WSI واسترجاعها بطيئًا ومعقدًا. ولذلك، تظل قابلية التوسع عائقًا رئيسيًا أمام الاستخدام الفعال.

لحل هذه المشكلة، قام الباحثون في جامعة بريجهام بتطوير SISH، الذي يعلم نفسه كيفية تعلم تمثيلات الميزات التي يمكنها العثور على حالات ذات ميزات مماثلة في علم الأمراض بسرعة ثابتة، بغض النظر عن حجم قاعدة البيانات.

في دراستهم، اختبر الباحثون سرعة SISH وقدرته على استرجاع معلومات النوع الفرعي للمرض القابلة للتفسير بالنسبة للسرطانات الشائعة والنادرة. تمكنت الخوارزمية من استرجاع الصور بسرعة ودقة من قاعدة بيانات تحتوي على عشرات الآلاف من صور الشرائح الكاملة من أكثر من 22000 حالة مريض مع أكثر من 50 نوعًا مختلفًا من الأمراض وأكثر من اثني عشر موقعًا تشريحيًا. تجاوزت سرعة الاسترجاع الطرق الأخرى في العديد من السيناريوهات، بما في ذلك استرجاع النوع الفرعي للمرض، خاصة مع زيادة حجم قاعدة بيانات الصور إلى آلاف الصور. حتى مع نمو المستودعات بشكل أكبر، تمكنت SISH من الحفاظ على سرعة بحث ثابتة.

ومع ذلك، فإن الخوارزمية لديها بعض القيود، بما في ذلك متطلبات الذاكرة العالية، والكشف المحدود عن السياق في أقسام الأنسجة الكبيرة، وحقيقة أنها تقتصر على طريقة تصوير واحدة.

بشكل عام، أظهرت الخوارزمية القدرة على استرداد الصور بكفاءة بغض النظر عن حجم المستودع وفي مجموعات البيانات المختلفة. كما أثبتت الكفاءة في تشخيص أنواع الأمراض النادرة والقدرة على العمل كمحرك بحث لاكتشاف مناطق معينة من الصورة قد تكون ذات صلة بالتشخيص. يمكن أن يكون لهذا العمل تأثير كبير على تشخيص المرض في المستقبل والتشخيص والتحليل.

وقال محمود: "مع استمرار نمو قواعد بيانات الصور، نأمل أن يساعد SISH في تسهيل التعرف على الأمراض". "نعتقد أن الاتجاه المستقبلي المهم في هذا المجال هو اكتشاف الحالات متعدد الوسائط، حيث تتم مشاركة بيانات السجلات الطبية وعلم الأمراض والأشعة والجينوم والإلكترونية للعثور على حالات مماثلة للمرضى."

مصدر:

مستشفى بريجهام والنساء

مرجع:

تشن، C.، وآخرون. (2022) بحث سريع وقابل للتطوير عن الصور الكاملة للشرائح من خلال التعلم العميق الخاضع للإشراف الذاتي. الهندسة الطبية الحيوية الطبيعية. doi.org/10.1038/s41551-022-00929-8.

.