Suche
Mein Konto
O algoritmo de aprendizagem profunda de autoaprendizagem pode encontrar casos semelhantes em grandes repositórios de imagens patológicas
As doenças raras são muitas vezes difíceis de diagnosticar e prever o melhor tratamento pode ser um desafio para os médicos. Pesquisadores do Laboratório Mahmood do Brigham and Women's Hospital, membro fundador do sistema de saúde Mass General Brigham, desenvolveram um algoritmo de aprendizado profundo que pode aprender sozinho a aprender recursos que podem então ser usados para encontrar casos semelhantes em grandes repositórios de imagens patológicas. Conhecida como SISH (Self-Supervised Image search for Histology), a nova ferramenta funciona como um mecanismo de busca de imagens patológicas e tem muitas aplicações potenciais, incluindo a identificação de doenças raras e ajudando os médicos a determinar quais pacientes têm maior probabilidade de...
O algoritmo de aprendizagem profunda de autoaprendizagem pode encontrar casos semelhantes em grandes repositórios de imagens patológicas
As doenças raras são muitas vezes difíceis de diagnosticar e prever o melhor tratamento pode ser um desafio para os médicos. Pesquisadores do Laboratório Mahmood do Brigham and Women's Hospital, membro fundador do sistema de saúde Mass General Brigham, desenvolveram um algoritmo de aprendizado profundo que pode aprender sozinho a aprender recursos que podem então ser usados para encontrar casos semelhantes em grandes repositórios de imagens patológicas. Conhecida como SISH (Pesquisa de imagens auto-supervisionadas para histologia), a nova ferramenta funciona como um mecanismo de busca de imagens patológicas e tem muitas aplicações potenciais, incluindo a identificação de doenças raras e ajudando os médicos a determinar quais pacientes têm probabilidade de responder a terapias semelhantes. Um artigo apresentando o algoritmo de autoaprendizagem foi publicado na Nature Biomedical Engineering.
Mostramos que nosso sistema pode ajudar a diagnosticar doenças raras e encontrar casos com padrões morfológicos semelhantes sem a necessidade de anotações manuais e grandes conjuntos de dados para treinamento supervisionado. Este sistema tem o potencial de melhorar o treinamento em patologia, subtipagem de doenças, identificação de tumores e identificação de morfologias raras.”
Faisal Mahmood, PhD, autor sênior, Departamento de Patologia de Brigham
Os bancos de dados eletrônicos modernos podem armazenar uma imensa quantidade de registros digitais e imagens de referência, principalmente em patologia, por meio de Whole Slide Images (WSIs). No entanto, devido ao tamanho de gigapixels de cada WSI individual e ao número cada vez maior de imagens em grandes repositórios, a busca e recuperação de WSIs pode ser lenta e complicada. Portanto, a escalabilidade continua a ser uma barreira fundamental para o uso eficiente.
Para resolver esse problema, pesquisadores do Brigham desenvolveram o SISH, que ensina sozinho a aprender representações de características que podem encontrar casos com características análogas em patologia a uma velocidade constante, independentemente do tamanho do banco de dados.
Em seu estudo, os pesquisadores testaram a velocidade e a capacidade do SISH de recuperar informações interpretáveis de subtipos de doenças para cânceres comuns e raros. O algoritmo foi capaz de recuperar imagens com rapidez e precisão de um banco de dados contendo dezenas de milhares de imagens inteiras de slides de mais de 22 mil casos de pacientes com mais de 50 tipos de doenças diferentes e mais de uma dúzia de localizações anatômicas. A velocidade de recuperação excedeu outros métodos em muitos cenários, incluindo a recuperação de subtipos de doenças, especialmente porque o tamanho do banco de dados de imagens aumentou para milhares de imagens. Mesmo com o crescimento dos repositórios, o SISH conseguiu manter uma velocidade de pesquisa consistente.
No entanto, o algoritmo tem algumas limitações, incluindo elevados requisitos de memória, detecção limitada de contexto em grandes secções de tecido e o facto de estar limitado a uma única modalidade de imagem.
No geral, o algoritmo demonstrou a capacidade de recuperar imagens de forma eficiente, independentemente do tamanho do repositório e em diferentes conjuntos de dados. Também demonstrou competência no diagnóstico de tipos de doenças raras e capacidade de servir como motor de busca para detectar áreas específicas da imagem que podem ser relevantes para o diagnóstico. Este trabalho pode ter um grande impacto no diagnóstico, prognóstico e análise de doenças futuras.
“À medida que os bancos de dados de imagens continuam a crescer, esperamos que o SISH ajude a facilitar a identificação de doenças”, disse Mahmood. “Acreditamos que uma importante direção futura nesta área é a localização multimodal de casos, onde dados de patologia, radiologia, genômicos e registros médicos eletrônicos são compartilhados para encontrar casos de pacientes semelhantes.”
Fonte:
Referência:
Chen, C., et al. (2022) Pesquisa rápida e escalonável de imagens de slides inteiros por meio de aprendizado profundo autossupervisionado. Engenharia biomédica natural. doi.org/10.1038/s41551-022-00929-8.
.