Itseoppiva syväoppimisalgoritmi voi löytää samanlaisia ​​tapauksia suurista patologisista kuvavarastoista

Itseoppiva syväoppimisalgoritmi voi löytää samanlaisia ​​tapauksia suurista patologisista kuvavarastoista

Harvinaisia ​​sairauksia on usein vaikea diagnosoida, ja parhaan hoidon ennustaminen voi olla haastavaa lääkäreille. Brighamin Mahmood Labin ja Women's Hospitalin tutkijat, Mass General Brigham -terveysjärjestelmän perustajajäsen, ovat kehittäneet syvän oppimisalgoritmin, joka voi oppia oppimaan ominaisuuksia, joita voidaan sitten käyttää vastaavien tapausten löytämiseen suurista patologiakuvavarastoista. Uusi työkalu, joka tunnetaan nimellä SISH (Self-Supervised Image Search for Histology), toimii kuten patologiakuvahakukone, ja sillä on monia mahdollisia sovelluksia, kuten harvinaisten sairauksien tunnistaminen ja lääkäreiden auttaminen määrittämään, mitkä potilaat todennäköisesti reagoivat samanlaisiin hoitoihin. Itseoppivaa algoritmia esittelevä artikkeli julkaistiin Nature Biomedical Engineeringissä.

Näytämme, että järjestelmämme voi auttaa diagnosoimaan harvinaisia ​​sairauksia ja löytämään tapauksia, joilla on samankaltaiset morfologiset mallit ilman manuaalisia huomautuksia ja suuria tietojoukkoja ohjattua koulutusta varten. Tällä järjestelmällä on potentiaalia parantaa patologiakoulutusta, sairauksien alatyypit, kasvainten tunnistamista ja harvinaisten morfologioiden tunnistamista.

Faisal Mahmood, PhD, vanhempi kirjailija, Brighamin patologian laitos

Nykyaikaiset sähköiset tietokannat voivat tallentaa valtavan määrän digitaalisia tietueita ja viitekuvia, erityisesti patologiassa koko diakuvien (WSI) avulla. Jokaisen yksittäisen WSI:n gigapikselin koon ja suurissa arkistoissa olevien kuvien alati kasvavan määrän vuoksi WSI:n etsiminen ja noutaminen voi kuitenkin olla hidasta ja monimutkaista. Siksi skaalautuvuus on edelleen keskeinen este tehokkaalle käytölle.

Tämän ongelman ratkaisemiseksi Brighamin tutkijat kehittivät SISH:n, joka opettaa itsensä oppimaan piirteiden esityksiä, jotka voivat löytää tapauksia, joilla on analogisia piirteitä patologiassa vakionopeudella tietokannan koosta riippumatta.

Tutkimuksessaan tutkijat testasivat SISH:n nopeutta ja kykyä hakea tulkittavia sairauden alatyyppejä yleisten ja harvinaisten syöpien osalta. Algoritmi pystyi nopeasti ja tarkasti hakemaan kuvia tietokannasta, joka sisälsi kymmeniä tuhansia kokonaisia ​​diakuvia yli 22 000 potilastapauksesta, joissa oli yli 50 eri sairaustyyppiä ja yli tusina anatomista sijaintia. Hakunopeus ylitti muut menetelmät monissa skenaarioissa, mukaan lukien sairauden alatyypin haku, varsinkin kun kuvatietokannan koko skaalautui tuhansiin kuviin. Vaikka arkistot kasvoivat, SISH pystyi ylläpitämään tasaista hakunopeutta.

Algoritmilla on kuitenkin joitain rajoituksia, mukaan lukien suuret muistivaatimukset, rajoitettu kontekstin havaitseminen suurilla kudosleikkeillä ja se, että se on rajoitettu yhteen kuvantamismuotoon.

Kaiken kaikkiaan algoritmi osoitti kyvyn noutaa kuvia tehokkaasti riippumatta arkiston koosta ja eri tietosarjoista. Se osoitti myös pätevyyttä harvinaisten sairauksien diagnosoinnissa ja kykyä toimia hakukoneena, joka havaitsee kuvan tietyt alueet, joilla voi olla merkitystä diagnoosin kannalta. Tällä työllä voi olla suuri vaikutus tulevaisuuden sairauksien diagnosointiin, ennusteeseen ja analyysiin.

"Kuvatietokantojen kasvaessa toivomme, että SISH auttaa helpottamaan sairauksien tunnistamista", Mahmood sanoi. "Uskomme, että tärkeä tulevaisuuden suunta tällä alueella on multimodaalinen tapausten etsintä, jossa patologiaa, radiologiaa, genomitietoja ja sähköisiä potilastietoja jaetaan vastaavien potilastapausten löytämiseksi."

Lähde:

Brigham and Women's Hospital

Viite:

Chen, C., et ai. (2022) Nopea ja skaalautuva koko diakuvahaku itseohjatun syväoppimisen avulla. Luonnollinen biolääketieteen tekniikka. doi.org/10.1038/s41551-022-00929-8.

.