Pašmācības dziļās mācīšanās algoritms var atrast līdzīgus gadījumus lielos patoloģisko attēlu krātuvēs

Pašmācības dziļās mācīšanās algoritms var atrast līdzīgus gadījumus lielos patoloģisko attēlu krātuvēs

Retas slimības bieži ir grūti diagnosticēt, un ārstiem var būt grūti paredzēt labāko ārstēšanas kursu. Pētnieki no Brigamas Mahmood laboratorijas un Sieviešu slimnīcas, Mass General Brigham veselības sistēmas dibinātāja, ir izstrādājuši dziļas mācīšanās algoritmu, kas var iemācīties apgūt funkcijas, kuras pēc tam var izmantot, lai atrastu līdzīgus gadījumus lielos patoloģiju attēlu krātuvēs. Jaunais rīks, kas pazīstams kā SISH (pašuzraudzīta attēlu meklēšana histoloģijai), darbojas kā patoloģijas attēlu meklētājprogramma, un tam ir daudz potenciālu lietojumu, tostarp reto slimību identificēšana un palīdzība ārstiem noteikt, kuri pacienti varētu reaģēt uz līdzīgām terapijām. Raksts, kas iepazīstina ar pašmācības algoritmu, tika publicēts Nature Biomedical Engineering.

Mēs parādām, ka mūsu sistēma var palīdzēt diagnosticēt retas slimības un atrast gadījumus ar līdzīgiem morfoloģiskiem modeļiem, neizmantojot manuālas anotācijas un lielas datu kopas uzraudzītai apmācībai. Šai sistēmai ir potenciāls uzlabot patoloģijas apmācību, slimību apakštipu noteikšanu, audzēju identificēšanu un retu morfoloģiju identificēšanu.

Faisals Mahmoods, PhD, vecākais autors, Brigama patoloģijas nodaļa

Mūsdienu elektroniskās datubāzes var uzglabāt milzīgu daudzumu digitālo ierakstu un atsauces attēlu, jo īpaši patoloģijā, izmantojot veselus slaidu attēlus (WSI). Tomēr, ņemot vērā katra atsevišķa WSI gigapikseļu izmēru un arvien pieaugošo attēlu skaitu lielos krātuvēs, WSI meklēšana un izguve var būt lēna un sarežģīta. Tāpēc mērogojamība joprojām ir galvenais šķērslis efektīvai lietošanai.

Lai atrisinātu šo problēmu, Brigham pētnieki izstrādāja SISH, kas māca apgūt pazīmju attēlojumus, kas var atrast gadījumus ar līdzīgām patoloģijas iezīmēm nemainīgā ātrumā neatkarīgi no datu bāzes lieluma.

Savā pētījumā pētnieki pārbaudīja SISH ātrumu un spēju izgūt interpretējamu informāciju par slimības apakštipiem bieži sastopamiem un retiem vēža veidiem. Algoritms spēja ātri un precīzi izgūt attēlus no datu bāzes, kurā bija desmitiem tūkstošu veselu slaidu attēlu no vairāk nekā 22 000 pacientu gadījumiem ar vairāk nekā 50 dažādiem slimību veidiem un vairāk nekā duci anatomisku atrašanās vietu. Izguves ātrums daudzos scenārijos pārsniedza citas metodes, tostarp slimības apakštipu izguvi, jo īpaši tāpēc, ka attēlu datu bāzes lielums tika mērogots līdz tūkstošiem attēlu. Pat palielinoties krātuvēm, SISH spēja saglabāt konsekventu meklēšanas ātrumu.

Tomēr algoritmam ir daži ierobežojumi, tostarp augstas atmiņas prasības, ierobežota konteksta noteikšana lielās audu sekcijās un fakts, ka tas attiecas tikai uz vienu attēlveidošanas veidu.

Kopumā algoritms parādīja spēju efektīvi izgūt attēlus neatkarīgi no repozitorija lieluma un dažādās datu kopās. Tas arī parādīja kompetenci reto slimību veidu diagnostikā un spēju darboties kā meklētājprogrammai, lai noteiktu konkrētas attēla jomas, kas varētu būt nozīmīgas diagnozei. Šis darbs var būtiski ietekmēt turpmāko slimību diagnostiku, prognozi un analīzi.

"Tā kā attēlu datu bāzes turpina augt, mēs ceram, ka SISH palīdzēs atvieglot slimību noteikšanu," sacīja Mahmuds. "Mēs uzskatām, ka svarīgs nākotnes virziens šajā jomā ir multimodāla gadījumu atrašana, kur tiek koplietoti patoloģijas, radioloģijas, genoma un elektronisko medicīnisko ierakstu dati, lai atrastu līdzīgus pacientu gadījumus."

Avots:

Brigama un sieviešu slimnīca

Atsauce:

Chen, C., et al. (2022) Ātra un mērogojama visu slaidu attēlu meklēšana, izmantojot pašpārraudzītu dziļo mācīšanos. Dabiskā biomedicīnas inženierija. doi.org/10.1038/s41551-022-00929-8.

.