Samouczący się algorytm głębokiego uczenia się może znaleźć podobne przypadki w dużych repozytoriach obrazów patologicznych

Samouczący się algorytm głębokiego uczenia się może znaleźć podobne przypadki w dużych repozytoriach obrazów patologicznych

Choroby rzadkie są często trudne do zdiagnozowania, a przewidzenie najlepszego sposobu leczenia może stanowić wyzwanie dla lekarzy. Naukowcy z Mahmood Lab w Brigham and Women's Hospital, członka-założyciela systemu opieki zdrowotnej Mass General Brigham, opracowali algorytm głębokiego uczenia się, który może nauczyć się funkcji, które można następnie wykorzystać do wyszukiwania podobnych przypadków w dużych repozytoriach obrazów patologicznych. Nowe narzędzie, znane jako SISH (samonadzorowane wyszukiwanie obrazów histologicznych), działa jak wyszukiwarka obrazów patologicznych i ma wiele potencjalnych zastosowań, w tym identyfikację rzadkich chorób i pomaganie lekarzom w określeniu, którzy pacjenci prawdopodobnie zareagują na podobne terapie. Artykuł przedstawiający algorytm samouczenia się ukazał się w czasopiśmie Nature Biomedical Engineering.

Pokazujemy, że nasz system może pomóc w diagnozowaniu rzadkich chorób i znajdowaniu przypadków o podobnych wzorcach morfologicznych bez konieczności ręcznych adnotacji i dużych zbiorów danych na potrzeby nadzorowanego szkolenia. System ten może ulepszyć szkolenie w zakresie patologii, określanie podtypów chorób, identyfikację nowotworów i identyfikację rzadkich morfologii”.

Faisal Mahmood, doktor, starszy autor, Katedra Patologii Brighama

Nowoczesne elektroniczne bazy danych mogą przechowywać ogromną liczbę zapisów cyfrowych i obrazów referencyjnych, szczególnie w patologii, za pośrednictwem obrazów całych slajdów (WSI). Jednakże ze względu na gigapikselowy rozmiar każdego pojedynczego WSI i stale rosnącą liczbę obrazów w dużych repozytoriach, wyszukiwanie i odzyskiwanie WSI może być powolne i skomplikowane. Dlatego skalowalność pozostaje kluczową barierą w efektywnym wykorzystaniu.

Aby rozwiązać ten problem, naukowcy z Brigham opracowali SISH, który uczy się reprezentacji cech, dzięki którym można znaleźć przypadki o analogicznych cechach w patologii ze stałą szybkością, niezależnie od rozmiaru bazy danych.

W swoim badaniu naukowcy przetestowali szybkość i zdolność SISH do wyszukiwania możliwych do zinterpretowania informacji o podtypach chorób w przypadku powszechnych i rzadkich nowotworów. Algorytm był w stanie szybko i dokładnie pobrać obrazy z bazy danych zawierającej dziesiątki tysięcy całych slajdów od ponad 22 000 przypadków pacjentów z ponad 50 różnymi typami chorób i kilkunastu lokalizacjami anatomicznymi. W wielu scenariuszach, w tym w przypadku wyszukiwania podtypów choroby, szybkość wyszukiwania przewyższała inne metody, zwłaszcza gdy rozmiar bazy danych obrazów został przeskalowany do tysięcy obrazów. Nawet w miarę powiększania się repozytoriów firma SISH była w stanie utrzymać stałą prędkość wyszukiwania.

Algorytm ma jednak pewne ograniczenia, w tym duże wymagania dotyczące pamięci, ograniczone wykrywanie kontekstu na dużych skrawkach tkanek oraz fakt, że jest ograniczony do jednej modalności obrazowania.

Ogólnie rzecz biorąc, algorytm wykazał zdolność do wydajnego wyszukiwania obrazów niezależnie od rozmiaru repozytorium i w różnych zbiorach danych. Wykazał także kompetencje w diagnozowaniu rzadkich typów chorób oraz zdolność do pełnienia funkcji wyszukiwarki umożliwiającej wykrycie określonych obszarów obrazu, które mogą być istotne dla postawienia diagnozy. Praca ta może mieć duży wpływ na przyszłą diagnostykę, prognozowanie i analizę chorób.

„Mamy nadzieję, że w miarę rozrastania się baz danych obrazów SISH ułatwi identyfikację chorób” – powiedział Mahmood. „Wierzymy, że ważnym przyszłym kierunkiem w tej dziedzinie jest wielomodalne wyszukiwanie przypadków, w ramach którego udostępniane są dane z zakresu patologii, radiologii, genomiki i elektronicznej dokumentacji medycznej w celu znalezienia podobnych przypadków pacjentów”.

Źródło:

Brigham i Szpital Kobiet

Odniesienie:

Chen, C. i in. (2022) Szybkie i skalowalne przeszukiwanie całych obrazów slajdów za pomocą samonadzorowanego głębokiego uczenia się. Naturalna inżynieria biomedyczna. doi.org/10.1038/s41551-022-00929-8.

.