Algoritmul de învățare profundă cu auto-învățare poate găsi cazuri similare în depozite mari de imagini patologice

Algoritmul de învățare profundă cu auto-învățare poate găsi cazuri similare în depozite mari de imagini patologice

Bolile rare sunt adesea dificil de diagnosticat și prezicerea celui mai bun curs de tratament poate fi o provocare pentru medici. Cercetătorii de la Mahmood Lab din Brigham and Women's Hospital, un membru fondator al sistemului de sănătate Mass General Brigham, au dezvoltat un algoritm de învățare profundă care poate învăța singur să învețe caracteristici care pot fi apoi folosite pentru a găsi cazuri similare în depozite mari de imagini patologice. Cunoscut sub numele de SISH (Self-Supervised Image Search for Histology), noul instrument acționează ca un motor de căutare a imaginilor patologice și are multe aplicații potențiale, inclusiv identificarea bolilor rare și ajutarea medicilor să determine ce pacienți sunt susceptibili de a răspunde la terapii similare. Un articol care introduce algoritmul de auto-învățare a fost publicat în Nature Biomedical Engineering.

Arătăm că sistemul nostru poate ajuta la diagnosticarea bolilor rare și la găsirea cazurilor cu modele morfologice similare fără a fi nevoie de adnotări manuale și seturi mari de date pentru instruire supravegheată. Acest sistem are potențialul de a îmbunătăți pregătirea patologiei, subtipizarea bolii, identificarea tumorii și identificarea morfologiilor rare.”

Faisal Mahmood, PhD, autor principal, Departamentul de Patologie al lui Brigham

Bazele de date electronice moderne pot stoca o cantitate imensă de înregistrări digitale și imagini de referință, în special în patologie prin Whole Slide Images (WSI). Cu toate acestea, din cauza dimensiunii de gigapixeli a fiecărui WSI individual și a numărului tot mai mare de imagini din depozite mari, căutarea și preluarea WSI-urilor poate fi lentă și complicată. Prin urmare, scalabilitatea rămâne o barieră cheie în calea utilizării eficiente.

Pentru a rezolva această problemă, cercetătorii de la Brigham au dezvoltat SISH, care învață singur să învețe reprezentări de caracteristici care pot găsi cazuri cu caracteristici analoge în patologie la o viteză constantă, indiferent de dimensiunea bazei de date.

În studiul lor, cercetătorii au testat viteza SISH și capacitatea de a prelua informații interpretabile despre subtipurile bolii pentru cancerele comune și rare. Algoritmul a reușit să recupereze rapid și cu precizie imagini dintr-o bază de date care conține zeci de mii de imagini întregi de diapozitive de la peste 22.000 de cazuri de pacienți cu peste 50 de tipuri diferite de boli și peste o duzină de locații anatomice. Viteza de recuperare a depășit alte metode în multe scenarii, inclusiv regăsirea subtipului de boală, mai ales că dimensiunea bazei de date de imagini a crescut la mii de imagini. Chiar dacă depozitele au crescut, SISH a reușit să mențină o viteză de căutare constantă.

Cu toate acestea, algoritmul are unele limitări, inclusiv cerințe mari de memorie, detecție limitată a contextului pe secțiuni mari de țesut și faptul că este limitat la o singură modalitate de imagistică.

În general, algoritmul a demonstrat capacitatea de a prelua în mod eficient imagini, indiferent de dimensiunea depozitului și în diferite seturi de date. De asemenea, a demonstrat competența în diagnosticarea tipurilor de boli rare și capacitatea de a servi ca motor de căutare pentru a detecta anumite zone ale imaginii care pot fi relevante pentru diagnostic. Această activitate poate avea un impact major asupra diagnosticului, prognozei și analizei bolii viitoare.

„Pe măsură ce bazele de date de imagini continuă să crească, sperăm că SISH va ajuta la identificarea bolii mai ușoară”, a spus Mahmood. „Credem că o direcție viitoare importantă în acest domeniu este găsirea multimodală a cazurilor, în care datele de patologie, radiologie, genomice și fișe medicale electronice sunt partajate pentru a găsi cazuri similare de pacienți.”

Sursă:

Brigham and Women's Hospital

Referinţă:

Chen, C., şi colab. (2022) Căutare rapidă și scalabilă de imagini întregi de diapozitive prin învățarea profundă auto-supravegheată. Inginerie biomedicală naturală. doi.org/10.1038/s41551-022-00929-8.

.