Самообучаващият се алгоритъм за дълбоко обучение може да намери подобни случаи в големи хранилища за патологични изображения

Самообучаващият се алгоритъм за дълбоко обучение може да намери подобни случаи в големи хранилища за патологични изображения

Редките заболявания често са трудни за диагностициране и прогнозирането на най-добрия курс на лечение може да бъде предизвикателство за лекарите. Изследователи от Mahmood Lab в Brigham and Women's Hospital, член-основател на здравната система Mass General Brigham, са разработили алгоритъм за задълбочено обучение, който може да се научи да научава функции, които след това могат да бъдат използвани за намиране на подобни случаи в големи хранилища на патологични изображения. Известен като SISH (Self-Supervised Image search for Histology), новият инструмент действа като машина за търсене на патологични изображения и има много потенциални приложения, включително идентифициране на редки заболявания и помагане на лекарите да определят кои пациенти е вероятно да отговорят на подобни терапии. Статия, представяща алгоритъма за самообучение, беше публикувана в Nature Biomedical Engineering.

Ние показваме, че нашата система може да помогне за диагностициране на редки заболявания и намиране на случаи с подобни морфологични модели без необходимост от ръчни пояснения и големи набори от данни за контролирано обучение. Тази система има потенциала да подобри обучението по патология, подтипирането на заболяването, идентифицирането на тумори и идентифицирането на редки морфологии.

Фейсал Махмуд, д-р, старши автор, Отделението по патология на Brigham

Съвременните електронни бази данни могат да съхраняват огромно количество цифрови записи и референтни изображения, особено в патологията чрез изображения на цели слайдове (WSI). Въпреки това, поради размера на гигапиксела на всеки отделен WSI и постоянно нарастващия брой изображения в големи хранилища, търсенето и извличането на WSI може да бъде бавно и сложно. Следователно мащабируемостта остава ключова пречка пред ефективната употреба.

За да решат този проблем, изследователи от Brigham разработиха SISH, който се учи да изучава представяния на характеристики, които могат да намират случаи с аналогични характеристики в патологията с постоянна скорост, независимо от размера на базата данни.

В своето проучване изследователите тестваха скоростта и способността на SISH да извлича интерпретируема информация за подтипа на заболяването за често срещани и редки видове рак. Алгоритъмът успя бързо и точно да извлече изображения от база данни, съдържаща десетки хиляди цели изображения на слайдове от над 22 000 случая на пациенти с над 50 различни вида заболявания и над дузина анатомични местоположения. Скоростта на извличане надвишава други методи в много сценарии, включително извличане на подтипове на заболяване, особено тъй като размерът на базата данни с изображения се мащабира до хиляди изображения. Дори когато хранилищата се увеличиха, SISH успя да поддържа постоянна скорост на търсене.

Въпреки това, алгоритъмът има някои ограничения, включително високи изисквания към паметта, ограничено откриване на контекста върху големи тъканни участъци и факта, че е ограничен до единичен образен режим.

Като цяло алгоритъмът демонстрира способността за ефективно извличане на изображения независимо от размера на хранилището и в различни набори от данни. Той също така демонстрира компетентност в диагностицирането на видове редки заболявания и способността да служи като търсачка за откриване на специфични области от изображението, които могат да бъдат от значение за диагностицирането. Тази работа може да окаже голямо влияние върху бъдещата диагностика, прогноза и анализ на заболяването.

„Тъй като базите данни с изображения продължават да растат, ние се надяваме, че SISH ще помогне за по-лесното идентифициране на болестта“, каза Махмуд. „Ние вярваме, че важна бъдеща посока в тази област е мултимодалното откриване на случаи, при което се споделят патологични, радиологични, геномни и електронни медицински данни за откриване на подобни случаи на пациенти.“

източник:

Бригъм и болница за жени

Справка:

Chen, C., et al. (2022) Бързо и мащабируемо търсене на цялото изображение на слайд чрез самоконтролирано дълбоко обучение. Природно биомедицинско инженерство. doi.org/10.1038/s41551-022-00929-8.

.