Den selvlærende deep learning-algoritme kan finde lignende tilfælde i store patologiske billedarkiver

Den selvlærende deep learning-algoritme kan finde lignende tilfælde i store patologiske billedarkiver

Sjældne sygdomme er ofte svære at diagnosticere, og det kan være en udfordring for læger at forudsige det bedste behandlingsforløb. Forskere ved Mahmood Lab på Brigham and Women's Hospital, et stiftende medlem af Mass General Brigham-sundhedssystemet, har udviklet en dyb læringsalgoritme, der kan lære sig selv at lære funktioner, som derefter kan bruges til at finde lignende tilfælde i store patologibilleder. Kendt som SISH (Self-Supervised Image Search for Histology), fungerer det nye værktøj som en patologi-billedsøgemaskine og har mange potentielle anvendelser, herunder at identificere sjældne sygdomme og hjælpe læger med at bestemme, hvilke patienter der sandsynligvis vil reagere på lignende behandlinger. En artikel, der introducerer den selvlærende algoritme, blev publiceret i Nature Biomedical Engineering.

Vi viser, at vores system kan hjælpe med at diagnosticere sjældne sygdomme og finde tilfælde med lignende morfologiske mønstre uden behov for manuelle annoteringer og store datasæt til overvåget træning. Dette system har potentialet til at forbedre patologitræning, sygdomsundertypebestemmelse, tumoridentifikation og identifikation af sjældne morfologier."

Faisal Mahmood, PhD, seniorforfatter, Brighams afdeling for patologi

Moderne elektroniske databaser kan gemme en enorm mængde digitale optegnelser og referencebilleder, især inden for patologi gennem Whole Slide Images (WSI'er). På grund af gigapixelstørrelsen på hver enkelt WSI og det stadigt stigende antal billeder i store lagre kan søgning og hentning af WSI'er dog være langsom og kompliceret. Derfor forbliver skalerbarhed en vigtig barriere for effektiv brug.

For at løse dette problem udviklede forskere ved Brigham SISH, som lærer sig selv at lære egenskabsrepræsentationer, der kan finde tilfælde med analoge funktioner i patologi med konstant hastighed, uanset størrelsen af ​​databasen.

I deres undersøgelse testede forskere SISHs hastighed og evne til at hente fortolkelig sygdomsundertypeoplysninger for almindelige og sjældne kræftformer. Algoritmen var i stand til hurtigt og præcist at hente billeder fra en database indeholdende titusindvis af hele diasbilleder fra over 22.000 patienttilfælde med over 50 forskellige sygdomstyper og over et dusin anatomiske placeringer. Hentningshastigheden oversteg andre metoder i mange scenarier, herunder genfinding af sygdomsundertyper, især da størrelsen af ​​billeddatabasen blev skaleret til tusindvis af billeder. Selvom lagrene voksede sig større, var SISH i stand til at opretholde en ensartet søgehastighed.

Algoritmen har dog nogle begrænsninger, herunder høje hukommelseskrav, begrænset kontekstdetektion på store vævssnit og det faktum, at den er begrænset til en enkelt billeddannelsesmodalitet.

Samlet set demonstrerede algoritmen evnen til effektivt at hente billeder uanset lagerstørrelse og i forskellige datasæt. Det demonstrerede også kompetence i at diagnosticere sjældne sygdomstyper og evnen til at fungere som en søgemaskine til at opdage specifikke områder af billedet, der kan være relevante for diagnosticering. Dette arbejde kan have stor indflydelse på fremtidig sygdomsdiagnostik, prognose og analyse.

"Efterhånden som billeddatabaser fortsætter med at vokse, håber vi, at SISH vil hjælpe med at gøre sygdomsidentifikation lettere," sagde Mahmood. "Vi mener, at en vigtig fremtidig retning på dette område er multimodal casefinding, hvor patologi, radiologi, genomiske og elektroniske journaldata deles for at finde lignende patienttilfælde."

Kilde:

Brigham and Women's Hospital

Reference:

Chen, C., et al. (2022) Hurtig og skalerbar søgning i hele diasbilleder gennem selvovervåget dyb læring. Naturlig biomedicinsk teknik. doi.org/10.1038/s41551-022-00929-8.

.