Az öntanuló mélytanulási algoritmus hasonló eseteket találhat nagy patológiás képtárban

Az öntanuló mélytanulási algoritmus hasonló eseteket találhat nagy patológiás képtárban

A ritka betegségeket gyakran nehéz diagnosztizálni, és a legjobb kezelési mód előrejelzése kihívást jelenthet az orvosok számára. A Brigham-i Mahmood Lab és a Women's Hospital kutatói, a Mass General Brigham egészségügyi rendszer alapító tagja, kifejlesztettek egy mély tanulási algoritmust, amely képes megtanulni olyan funkciókat, amelyek segítségével hasonló eseteket lehet megtalálni nagy patológiás képtárban. A SISH (Self-Supervised Image Search for Histology) néven ismert új eszköz patológiás képkeresőként működik, és számos lehetséges alkalmazási területtel rendelkezik, beleértve a ritka betegségek azonosítását és az orvosok segítségét annak meghatározásában, hogy mely betegek reagálnak valószínűleg hasonló terápiákra. Az öntanuló algoritmust bemutató cikk a Nature Biomedical Engineering-ben jelent meg.

Megmutatjuk, hogy rendszerünk segíthet a ritka betegségek diagnosztizálásában és hasonló morfológiai mintázatú esetek megtalálásában anélkül, hogy manuális megjegyzésekre és nagy adatkészletekre lenne szükség a felügyelt képzéshez. Ez a rendszer képes javítani a patológiai képzést, a betegségek altípusát, a daganatok azonosítását és a ritka morfológiák azonosítását.”

Faisal Mahmood, PhD, vezető szerző, Brigham Patológiai Tanszéke

A modern elektronikus adatbázisok hatalmas mennyiségű digitális rekordot és referenciaképet képesek tárolni, különösen a patológiában a teljes diaképek (WSI-k) révén. Az egyes WSI-k gigapixeles mérete és a nagy tárolókban lévő képek egyre növekvő száma miatt azonban a WSI-k keresése és visszakeresése lassú és bonyolult lehet. Ezért a méretezhetőség továbbra is a hatékony használat egyik fő akadálya.

A probléma megoldására a Brigham kutatói kifejlesztették a SISH-t, amely megtanítja magát, hogy megtanulja azokat a jellemző-reprezentációkat, amelyek az adatbázis méretétől függetlenül állandó sebességgel képesek megtalálni a patológiában analóg jellemzőkkel rendelkező eseteket.

Tanulmányukban a kutatók tesztelték a SISH sebességét és azt a képességét, hogy a gyakori és ritka rákos megbetegedések esetében értelmezhető betegség-altípus-információkat szerezzen be. Az algoritmus képes volt gyorsan és pontosan lekérni a képeket egy több tízezer teljes diaképet tartalmazó adatbázisból, több mint 22 000 betegesetből, több mint 50 különböző betegségtípussal és több mint egy tucat anatómiai helyről. A visszakeresés sebessége sok forgatókönyvben meghaladta a többi módszert, beleértve a betegség altípusainak visszakeresését is, különösen mivel a képadatbázis mérete több ezer képre skálázódott. Annak ellenére, hogy a tárolók növekedtek, a SISH állandó keresési sebességet tudott fenntartani.

Az algoritmusnak azonban vannak bizonyos korlátai, beleértve a magas memóriaigényt, a korlátozott kontextus-észlelést nagy szövetmetszeteken, és azt a tényt, hogy egyetlen képalkotási módra korlátozódik.

Összességében az algoritmus bebizonyította, hogy képes hatékonyan lekérni a képeket, függetlenül a tároló méretétől és különböző adatkészletekben. Ezenkívül bizonyította a ritka betegségek típusainak diagnosztizálásában való kompetenciát, valamint azt a képességet, hogy keresőmotorként szolgáljon a kép bizonyos, a diagnózis szempontjából releváns területeinek felderítésére. Ez a munka nagy hatással lehet a jövőbeni betegségek diagnózisára, prognózisára és elemzésére.

"Mivel a képadatbázisok folyamatosan bővülnek, reméljük, hogy a SISH segít a betegségek könnyebb azonosításában" - mondta Mahmood. "Úgy gondoljuk, hogy ezen a területen fontos jövőbeli irány a multimodális esetek feltárása, ahol a patológiai, radiológiai, genomikai és elektronikus kórlapadatokat megosztják egymással, hogy megtalálják a hasonló betegek eseteit."

Forrás:

Brigham and Women's Hospital

Referencia:

Chen, C. és mtsai. (2022) Gyors és méretezhető teljes diaképkeresés önfelügyelt mély tanulással. Természetes orvosbiológiai technika. doi.org/10.1038/s41551-022-00929-8.

.