Den selvlærende dyplæringsalgoritmen kan finne lignende tilfeller i store patologiske bildelager

Den selvlærende dyplæringsalgoritmen kan finne lignende tilfeller i store patologiske bildelager

Sjeldne sykdommer er ofte vanskelig å diagnostisere og å forutsi det beste behandlingsforløpet kan være utfordrende for leger. Forskere ved Mahmood Lab ved Brigham and Women's Hospital, et grunnleggende medlem av Mass General Brigham helsesystem, har utviklet en dyp læringsalgoritme som kan lære seg selv å lære funksjoner som deretter kan brukes til å finne lignende tilfeller i store patologibildelagre. Det nye verktøyet, kjent som SISH (Self-Supervised Image Search for Histology), fungerer som en bildesøkemotor for patologi og har mange potensielle bruksområder, inkludert å identifisere sjeldne sykdommer og hjelpe leger med å finne ut hvilke pasienter som sannsynligvis vil reagere på lignende behandlinger. En artikkel som introduserte den selvlærende algoritmen ble publisert i Nature Biomedical Engineering.

Vi viser at systemet vårt kan hjelpe med å diagnostisere sjeldne sykdommer og finne tilfeller med lignende morfologiske mønstre uten behov for manuelle merknader og store datasett for veiledet opplæring. Dette systemet har potensial til å forbedre patologitrening, sykdomssubtyping, tumoridentifikasjon og identifisering av sjeldne morfologier.»

Faisal Mahmood, PhD, seniorforfatter, Brighams avdeling for patologi

Moderne elektroniske databaser kan lagre en enorm mengde digitale poster og referansebilder, spesielt innen patologi gjennom Whole Slide Images (WSIs). Men på grunn av gigapikselstørrelsen til hver enkelt WSI og det stadig økende antallet bilder i store depoter, kan søking og henting av WSI-er være treg og komplisert. Derfor er skalerbarhet fortsatt en nøkkelbarriere for effektiv bruk.

For å løse dette problemet utviklet forskere ved Brigham SISH, som lærer seg selv å lære funksjonsrepresentasjoner som kan finne tilfeller med analoge funksjoner i patologi med konstant hastighet, uavhengig av størrelsen på databasen.

I sin studie testet forskere SISHs hastighet og evne til å hente tolkbar sykdomsundertypeinformasjon for vanlige og sjeldne kreftformer. Algoritmen var i stand til raskt og nøyaktig å hente bilder fra en database som inneholder titusenvis av hele lysbildebilder fra over 22 000 pasienttilfeller med over 50 forskjellige sykdomstyper og over et dusin anatomiske steder. Innhentingshastigheten oversteg andre metoder i mange scenarier, inkludert gjenfinning av sykdomsundertype, spesielt ettersom størrelsen på bildedatabasen skalert til tusenvis av bilder. Selv ettersom depotene vokste seg større, var SISH i stand til å opprettholde en jevn søkehastighet.

Algoritmen har imidlertid noen begrensninger, inkludert høye minnekrav, begrenset kontekstdeteksjon på store vevsseksjoner, og det faktum at den er begrenset til en enkelt avbildningsmodalitet.

Totalt sett demonstrerte algoritmen evnen til å effektivt hente bilder uavhengig av depotstørrelse og i forskjellige datasett. Den demonstrerte også kompetanse i å diagnostisere sjeldne sykdomstyper og evnen til å fungere som en søkemotor for å oppdage spesifikke områder av bildet som kan være relevante for diagnostisering. Dette arbeidet kan ha stor innvirkning på fremtidig sykdomsdiagnose, prognose og analyse.

"Når bildedatabaser fortsetter å vokse, håper vi at SISH vil bidra til å gjøre sykdomsidentifikasjon enklere," sa Mahmood. "Vi tror en viktig fremtidig retning på dette området er multimodal saksfunn, der patologi, radiologi, genomiske og elektroniske journaldata deles for å finne lignende pasienttilfeller."

Kilde:

Brigham and Women's Hospital

Referanse:

Chen, C., et al. (2022) Rask og skalerbar hele lysbildesøk gjennom selvovervåket dyplæring. Naturlig biomedisinsk ingeniørfag. doi.org/10.1038/s41551-022-00929-8.

.