Suche
Mein Konto
L'algorithme d'apprentissage profond d'auto-apprentissage peut trouver des cas similaires dans de grands référentiels d'images pathologiques
Les maladies rares sont souvent difficiles à diagnostiquer et il peut être difficile pour les médecins de prédire le meilleur traitement. Les chercheurs du Mahmood Lab du Brigham and Women's Hospital, membre fondateur du système de santé Mass General Brigham, ont développé un algorithme d'apprentissage profond qui peut s'auto-apprendre à apprendre des fonctionnalités qui peuvent ensuite être utilisées pour rechercher des cas similaires dans de grands référentiels d'images pathologiques. Connu sous le nom de SISH (Self-Supervised Image search for Histology), le nouvel outil agit comme un moteur de recherche d'images pathologiques et a de nombreuses applications potentielles, notamment l'identification de maladies rares et l'aide aux médecins pour déterminer quels patients sont susceptibles de...
L'algorithme d'apprentissage profond d'auto-apprentissage peut trouver des cas similaires dans de grands référentiels d'images pathologiques
Les maladies rares sont souvent difficiles à diagnostiquer et il peut être difficile pour les médecins de prédire le meilleur traitement. Les chercheurs du Mahmood Lab du Brigham and Women's Hospital, membre fondateur du système de santé Mass General Brigham, ont développé un algorithme d'apprentissage profond qui peut s'auto-apprendre à apprendre des fonctionnalités qui peuvent ensuite être utilisées pour rechercher des cas similaires dans de grands référentiels d'images pathologiques. Connu sous le nom de SISH (Recherche d'images auto-supervisée pour l'histologie), le nouvel outil agit comme un moteur de recherche d'images pathologiques et a de nombreuses applications potentielles, notamment l'identification de maladies rares et l'aide aux médecins pour déterminer quels patients sont susceptibles de répondre à des thérapies similaires. Un article présentant l’algorithme d’auto-apprentissage a été publié dans Nature Biomedical Engineering.
Nous montrons que notre système peut aider à diagnostiquer des maladies rares et à trouver des cas présentant des modèles morphologiques similaires sans avoir besoin d'annotations manuelles et de grands ensembles de données pour une formation supervisée. Ce système a le potentiel d’améliorer la formation en pathologie, le sous-typage des maladies, l’identification des tumeurs et l’identification des morphologies rares.
Faisal Mahmood, PhD, auteur principal, Département de pathologie de Brigham
Les bases de données électroniques modernes peuvent stocker une immense quantité d'enregistrements numériques et d'images de référence, notamment en pathologie grâce aux images de diapositives entières (WSI). Cependant, en raison de la taille en gigapixels de chaque WSI et du nombre toujours croissant d'images dans les grands référentiels, la recherche et la récupération des WSI peuvent être lentes et compliquées. L’évolutivité reste donc un obstacle majeur à une utilisation efficace.
Pour résoudre ce problème, les chercheurs du Brigham ont développé SISH, qui apprend lui-même à apprendre des représentations de caractéristiques permettant de trouver des cas présentant des caractéristiques analogues en pathologie à une vitesse constante, quelle que soit la taille de la base de données.
Dans leur étude, les chercheurs ont testé la vitesse et la capacité de SISH à récupérer des informations interprétables sur les sous-types de maladies pour les cancers courants et rares. L'algorithme a pu récupérer rapidement et précisément des images d'une base de données contenant des dizaines de milliers d'images de diapositives entières provenant de plus de 22 000 cas de patients présentant plus de 50 types de maladies différents et plus d'une douzaine de localisations anatomiques. La vitesse de récupération a dépassé les autres méthodes dans de nombreux scénarios, y compris la récupération de sous-types de maladies, en particulier lorsque la taille de la base de données d'images s'est adaptée à des milliers d'images. Même si les référentiels se sont agrandis, SISH a pu maintenir une vitesse de recherche constante.
Cependant, l’algorithme présente certaines limites, notamment des besoins élevés en mémoire, une détection de contexte limitée sur de grandes coupes de tissus et le fait qu’il est limité à une seule modalité d’imagerie.
Dans l’ensemble, l’algorithme a démontré sa capacité à récupérer efficacement des images quelle que soit la taille du référentiel et dans différents ensembles de données. Il a également démontré sa compétence dans le diagnostic de types de maladies rares et sa capacité à servir de moteur de recherche pour détecter des zones spécifiques de l'image pouvant être pertinentes pour le diagnostic. Ce travail peut avoir un impact majeur sur le diagnostic, le pronostic et l’analyse des maladies futures.
« À mesure que les bases de données d’images continuent de croître, nous espérons que SISH contribuera à faciliter l’identification des maladies », a déclaré Mahmood. « Nous pensons qu’une orientation future importante dans ce domaine est la recherche de cas multimodale, où les données de pathologie, de radiologie, de génomique et de dossier médical électronique sont partagées pour trouver des cas de patients similaires. »
Source:
Référence:
Chen, C. et coll. (2022) Recherche rapide et évolutive d’images de diapositives entières grâce à un apprentissage en profondeur auto-supervisé. Génie biomédical naturel. est ce que je.org/10.1038/s41551-022-00929-8.
.