Ο αλγόριθμος αυτοεκμάθησης βαθιάς μάθησης μπορεί να βρει παρόμοιες περιπτώσεις σε μεγάλα αποθετήρια παθολογικών εικόνων

Ο αλγόριθμος αυτοεκμάθησης βαθιάς μάθησης μπορεί να βρει παρόμοιες περιπτώσεις σε μεγάλα αποθετήρια παθολογικών εικόνων

Οι σπάνιες ασθένειες είναι συχνά δύσκολο να διαγνωστούν και η πρόβλεψη της καλύτερης πορείας θεραπείας μπορεί να είναι πρόκληση για τους γιατρούς. Ερευνητές στο Mahmood Lab στο Brigham and Women's Hospital, ιδρυτικό μέλος του συστήματος υγείας Mass General Brigham, ανέπτυξαν έναν αλγόριθμο βαθιάς μάθησης που μπορεί να μάθει να μαθαίνει χαρακτηριστικά που μπορούν στη συνέχεια να χρησιμοποιηθούν για την εύρεση παρόμοιων περιπτώσεων σε μεγάλα αποθετήρια εικόνων παθολογίας. Γνωστό ως SISH (Self-Supervised Image Search for Histology), το νέο εργαλείο λειτουργεί σαν μηχανή αναζήτησης εικόνων παθολογίας και έχει πολλές πιθανές εφαρμογές, συμπεριλαμβανομένου του εντοπισμού σπάνιων ασθενειών και της βοήθειας των γιατρών να προσδιορίσουν ποιοι ασθενείς είναι πιθανό να ανταποκριθούν σε παρόμοιες θεραπείες. Ένα άρθρο που εισάγει τον αλγόριθμο αυτομάθησης δημοσιεύτηκε στο Nature Biomedical Engineering.

Δείχνουμε ότι το σύστημά μας μπορεί να βοηθήσει στη διάγνωση σπάνιων ασθενειών και στην εύρεση περιπτώσεων με παρόμοια μορφολογικά μοτίβα χωρίς την ανάγκη χειροκίνητων σχολιασμών και μεγάλων συνόλων δεδομένων για εποπτευόμενη εκπαίδευση. Αυτό το σύστημα έχει τη δυνατότητα να βελτιώσει την εκπαίδευση στην παθολογία, τον προσδιορισμό υποτύπων ασθενειών, την ταυτοποίηση όγκων και τον εντοπισμό σπάνιων μορφολογιών».

Faisal Mahmood, PhD, ανώτερος συγγραφέας, Τμήμα Παθολογίας του Brigham

Οι σύγχρονες ηλεκτρονικές βάσεις δεδομένων μπορούν να αποθηκεύσουν μια τεράστια ποσότητα ψηφιακών εγγραφών και εικόνων αναφοράς, ιδιαίτερα στην παθολογία μέσω Εικόνων Ολόκληρων Διαφανειών (WSIs). Ωστόσο, λόγω του μεγέθους των gigapixel κάθε μεμονωμένου WSI και του συνεχώς αυξανόμενου αριθμού εικόνων σε μεγάλα αποθετήρια, η αναζήτηση και η ανάκτηση των WSI μπορεί να είναι αργή και περίπλοκη. Επομένως, η επεκτασιμότητα παραμένει βασικό εμπόδιο για την αποτελεσματική χρήση.

Για να λύσουν αυτό το πρόβλημα, ερευνητές στο Brigham ανέπτυξαν το SISH, το οποίο διδάσκει τον εαυτό του να μαθαίνει αναπαραστάσεις χαρακτηριστικών που μπορούν να βρουν περιπτώσεις με ανάλογα χαρακτηριστικά στην παθολογία με σταθερή ταχύτητα, ανεξάρτητα από το μέγεθος της βάσης δεδομένων.

Στη μελέτη τους, οι ερευνητές εξέτασαν την ταχύτητα και την ικανότητα του SISH να ανακτά ερμηνεύσιμες πληροφορίες υποτύπου ασθένειας για κοινούς και σπάνιους καρκίνους. Ο αλγόριθμος μπόρεσε να ανακτήσει γρήγορα και με ακρίβεια εικόνες από μια βάση δεδομένων που περιείχε δεκάδες χιλιάδες ολόκληρες εικόνες διαφανειών από περισσότερες από 22.000 περιπτώσεις ασθενών με πάνω από 50 διαφορετικούς τύπους ασθενειών και πάνω από δώδεκα ανατομικές θέσεις. Η ταχύτητα ανάκτησης ξεπέρασε άλλες μεθόδους σε πολλά σενάρια, συμπεριλαμβανομένης της ανάκτησης υποτύπου ασθένειας, ιδιαίτερα καθώς το μέγεθος της βάσης δεδομένων εικόνων κλιμακώθηκε σε χιλιάδες εικόνες. Ακόμη και καθώς τα αποθετήρια μεγάλωναν, το SISH ήταν σε θέση να διατηρήσει μια σταθερή ταχύτητα αναζήτησης.

Ωστόσο, ο αλγόριθμος έχει ορισμένους περιορισμούς, συμπεριλαμβανομένων υψηλών απαιτήσεων μνήμης, περιορισμένης ανίχνευσης πλαισίου σε μεγάλα τμήματα ιστού και το γεγονός ότι περιορίζεται σε μία μόνο μέθοδο απεικόνισης.

Συνολικά, ο αλγόριθμος έδειξε την ικανότητα αποτελεσματικής ανάκτησης εικόνων ανεξάρτητα από το μέγεθος του αποθετηρίου και σε διαφορετικά σύνολα δεδομένων. Επέδειξε επίσης ικανότητα στη διάγνωση σπάνιων τύπων ασθενειών και την ικανότητα να χρησιμεύει ως μηχανή αναζήτησης για τον εντοπισμό συγκεκριμένων περιοχών της εικόνας που μπορεί να σχετίζονται με τη διάγνωση. Αυτή η εργασία μπορεί να έχει σημαντικό αντίκτυπο στη μελλοντική διάγνωση, πρόγνωση και ανάλυση της νόσου.

«Καθώς οι βάσεις δεδομένων εικόνων συνεχίζουν να αυξάνονται, ελπίζουμε ότι το SISH θα βοηθήσει στην ευκολότερη αναγνώριση της νόσου», είπε ο Mahmood. «Πιστεύουμε ότι μια σημαντική μελλοντική κατεύθυνση σε αυτόν τον τομέα είναι η πολυτροπική εύρεση περιστατικών, όπου παθολογικά, ακτινολογικά, γονιδιωματικά και ηλεκτρονικά δεδομένα ιατρικού φακέλου μοιράζονται για την εύρεση παρόμοιων περιπτώσεων ασθενών».

Πηγή:

Brigham and Women's Hospital

Αναφορά:

Chen, C., et αϊ. (2022) Γρήγορη και επεκτάσιμη αναζήτηση ολόκληρης εικόνας διαφανειών μέσω αυτοεποπτευόμενης βαθιάς εκμάθησης. Φυσική βιοϊατρική μηχανική. doi.org/10.1038/s41551-022-00929-8.

.