Algoritam dubokog učenja koji se sam uči može pronaći slične slučajeve u velikim spremištima patoloških slika

Algoritam dubokog učenja koji se sam uči može pronaći slične slučajeve u velikim spremištima patoloških slika

Rijetke bolesti često je teško dijagnosticirati i predviđanje najboljeg načina liječenja može biti izazov za liječnike. Istraživači u Mahmood Labu u Brigham and Women's Hospital, osnivaču zdravstvenog sustava Mass General Brigham, razvili su algoritam dubokog učenja koji se može sam naučiti naučiti značajke koje se zatim mogu koristiti za pronalaženje sličnih slučajeva u velikim spremištima patoloških slika. Poznat kao SISH (Self-Supervised Image search for Histology), novi alat djeluje poput tražilice patoloških slika i ima mnoge potencijalne primjene, uključujući prepoznavanje rijetkih bolesti i pomoć liječnicima u određivanju koji će pacijenti vjerojatno reagirati na slične terapije. Članak koji predstavlja algoritam za samoučenje objavljen je u Nature Biomedical Engineering.

Pokazujemo da naš sustav može pomoći u dijagnosticiranju rijetkih bolesti i pronalaženju slučajeva sa sličnim morfološkim obrascima bez potrebe za ručnim komentarima i velikim skupovima podataka za obuku pod nadzorom. Ovaj sustav ima potencijal poboljšati patološku obuku, subtipizaciju bolesti, identifikaciju tumora i identifikaciju rijetkih morfologija.”

Faisal Mahmood, PhD, viši autor, Brighamov odjel za patologiju

Suvremene elektroničke baze podataka mogu pohraniti golemu količinu digitalnih zapisa i referentnih slika, osobito u patologiji putem slika cijelih dijapozitiva (WSI). Međutim, zbog veličine gigapiksela svakog pojedinačnog WSI-ja i stalnog povećanja broja slika u velikim spremištima, pretraživanje i dohvaćanje WSI-ova može biti sporo i komplicirano. Stoga skalabilnost ostaje ključna prepreka učinkovitoj uporabi.

Kako bi riješili ovaj problem, istraživači na Brighamu razvili su SISH, koji sam uči prikaze značajki koje mogu pronaći slučajeve s analognim značajkama u patologiji konstantnom brzinom, bez obzira na veličinu baze podataka.

U svojoj studiji istraživači su testirali brzinu i sposobnost SISH-a da dohvati informacije o podtipovima bolesti koje se mogu protumačiti za uobičajene i rijetke vrste raka. Algoritam je uspio brzo i točno dohvatiti slike iz baze podataka koja sadrži desetke tisuća cijelih slika slajdova iz preko 22.000 slučajeva pacijenata s preko 50 različitih tipova bolesti i preko desetak anatomskih lokacija. Brzina dohvaćanja nadmašila je druge metode u mnogim scenarijima, uključujući dohvaćanje podtipa bolesti, osobito jer je veličina baze podataka slika skalirana na tisuće slika. Čak i dok su se spremišta povećavala, SISH je uspio održati dosljednu brzinu pretraživanja.

Međutim, algoritam ima neka ograničenja, uključujući visoke zahtjeve za memorijom, ograničeno otkrivanje konteksta na velikim dijelovima tkiva i činjenicu da je ograničen na jedan modalitet snimanja.

Sve u svemu, algoritam je pokazao sposobnost učinkovitog dohvaćanja slika bez obzira na veličinu repozitorija iu različitim skupovima podataka. Također je pokazao kompetentnost u dijagnosticiranju tipova rijetkih bolesti i sposobnost da služi kao tražilica za otkrivanje specifičnih područja slike koja mogu biti relevantna za dijagnozu. Ovaj rad može imati veliki utjecaj na buduću dijagnozu, prognozu i analizu bolesti.

"Kako baze podataka slika nastavljaju rasti, nadamo se da će SISH pomoći u lakšem prepoznavanju bolesti", rekao je Mahmood. "Vjerujemo da je važan budući smjer u ovom području multimodalno pronalaženje slučajeva, gdje se patološki, radiološki, genomski i elektronički medicinski podaci dijele kako bi se pronašli slični slučajevi pacijenata."

Izvor:

Brigham and Women's Hospital

Referenca:

Chen, C. i sur. (2022.) Brzo i skalabilno pretraživanje slika cijelog slajda kroz samonadzirano duboko učenje. Prirodni biomedicinski inženjering. doi.org/10.1038/s41551-022-00929-8.

.