Suche
Mein Konto
El algoritmo de aprendizaje profundo de autoaprendizaje puede encontrar casos similares en grandes repositorios de imágenes patológicas
Las enfermedades raras suelen ser difíciles de diagnosticar y predecir el mejor tratamiento puede resultar un desafío para los médicos. Investigadores del Laboratorio Mahmood del Brigham and Women's Hospital, miembro fundador del sistema de salud Mass General Brigham, han desarrollado un algoritmo de aprendizaje profundo que puede aprender por sí solo características que luego pueden usarse para encontrar casos similares en grandes depósitos de imágenes de patología. Conocida como SISH (búsqueda de imágenes autosupervisada para histología), la nueva herramienta actúa como un motor de búsqueda de imágenes patológicas y tiene muchas aplicaciones potenciales, incluida la identificación de enfermedades raras y ayudar a los médicos a determinar qué pacientes tienen probabilidades de...
El algoritmo de aprendizaje profundo de autoaprendizaje puede encontrar casos similares en grandes repositorios de imágenes patológicas
Las enfermedades raras suelen ser difíciles de diagnosticar y predecir el mejor tratamiento puede resultar un desafío para los médicos. Investigadores del Laboratorio Mahmood del Brigham and Women's Hospital, miembro fundador del sistema de salud Mass General Brigham, han desarrollado un algoritmo de aprendizaje profundo que puede aprender por sí solo características que luego pueden usarse para encontrar casos similares en grandes depósitos de imágenes de patología. Conocida como SISH (búsqueda de imágenes autosupervisada para histología), la nueva herramienta actúa como un motor de búsqueda de imágenes de patología y tiene muchas aplicaciones potenciales, incluida la identificación de enfermedades raras y ayudar a los médicos a determinar qué pacientes tienen probabilidades de responder a terapias similares. En Nature Biomedical Engineering se publicó un artículo que presenta el algoritmo de autoaprendizaje.
Mostramos que nuestro sistema puede ayudar a diagnosticar enfermedades raras y encontrar casos con patrones morfológicos similares sin la necesidad de anotaciones manuales y grandes conjuntos de datos para capacitación supervisada. Este sistema tiene el potencial de mejorar la formación en patología, la subtipificación de enfermedades, la identificación de tumores y la identificación de morfologías raras”.
Faisal Mahmood, PhD, autor principal, Departamento de Patología de Brigham
Las bases de datos electrónicas modernas pueden almacenar una inmensa cantidad de registros digitales e imágenes de referencia, particularmente en patología a través de imágenes de diapositivas completas (WSI). Sin embargo, debido al tamaño de gigapíxeles de cada WSI individual y al número cada vez mayor de imágenes en grandes repositorios, la búsqueda y recuperación de WSI puede ser lenta y complicada. Por lo tanto, la escalabilidad sigue siendo una barrera clave para un uso eficiente.
Para resolver este problema, investigadores de Brigham desarrollaron SISH, que aprende por sí solo representaciones de características que pueden encontrar casos con características análogas en patología a una velocidad constante, independientemente del tamaño de la base de datos.
En su estudio, los investigadores probaron la velocidad y la capacidad de SISH para recuperar información interpretable sobre subtipos de enfermedades para cánceres comunes y raros. El algoritmo pudo recuperar imágenes de forma rápida y precisa de una base de datos que contenía decenas de miles de imágenes de diapositivas completas de más de 22.000 casos de pacientes con más de 50 tipos de enfermedades diferentes y más de una docena de ubicaciones anatómicas. La velocidad de recuperación superó a otros métodos en muchos escenarios, incluida la recuperación de subtipos de enfermedades, particularmente porque el tamaño de la base de datos de imágenes se escaló a miles de imágenes. Incluso cuando los repositorios crecieron, SISH pudo mantener una velocidad de búsqueda constante.
Sin embargo, el algoritmo tiene algunas limitaciones, incluidos altos requisitos de memoria, detección de contexto limitada en secciones de tejido grandes y el hecho de que está limitado a una única modalidad de imagen.
En general, el algoritmo demostró la capacidad de recuperar imágenes de manera eficiente independientemente del tamaño del repositorio y en diferentes conjuntos de datos. También demostró competencia en el diagnóstico de tipos de enfermedades raras y la capacidad de servir como motor de búsqueda para detectar áreas específicas de la imagen que pueden ser relevantes para el diagnóstico. Este trabajo puede tener un impacto importante en el diagnóstico, pronóstico y análisis de enfermedades futuras.
"A medida que las bases de datos de imágenes sigan creciendo, esperamos que SISH ayude a facilitar la identificación de enfermedades", dijo Mahmood. "Creemos que una dirección futura importante en esta área es la búsqueda de casos multimodal, donde se comparten datos de patología, radiología, genómica y registros médicos electrónicos para encontrar casos de pacientes similares".
Fuente:
Referencia:
Chen, C., et al. (2022) Búsqueda rápida y escalable de imágenes de diapositivas completas mediante aprendizaje profundo autosupervisado. Ingeniería biomédica natural. doi.org/10.1038/s41551-022-00929-8.
.