Samoučiaci sa algoritmus hlbokého učenia dokáže nájsť podobné prípady vo veľkých úložiskách patologických obrázkov

Samoučiaci sa algoritmus hlbokého učenia dokáže nájsť podobné prípady vo veľkých úložiskách patologických obrázkov

Zriedkavé ochorenia sa často ťažko diagnostikujú a predpovedanie najlepšieho postupu liečby môže byť pre lekárov náročné. Výskumníci z laboratória Mahmood v Brighame and Women's Hospital, zakladajúci člen zdravotného systému Mass General Brigham, vyvinuli algoritmus hlbokého učenia, ktorý sa dokáže naučiť učiť funkcie, ktoré potom možno použiť na nájdenie podobných prípadov vo veľkých úložiskách patologických obrázkov. Tento nový nástroj, známy ako SISH (Self-Supervised Image Search for Histology), funguje ako vyhľadávač obrázkov patológie a má mnoho potenciálnych aplikácií vrátane identifikácie zriedkavých chorôb a pomáha lekárom určiť, ktorí pacienti budú pravdepodobne reagovať na podobné terapie. Článok predstavujúci samoučiaci sa algoritmus bol publikovaný v Nature Biomedical Engineering.

Ukazujeme, že náš systém môže pomôcť diagnostikovať zriedkavé choroby a nájsť prípady s podobnými morfologickými vzormi bez potreby manuálnych anotácií a veľkých súborov údajov na školenia pod dohľadom. Tento systém má potenciál zlepšiť tréning patológie, podtypovanie chorôb, identifikáciu nádorov a identifikáciu zriedkavých morfológií.

Faisal Mahmood, PhD, hlavný autor, Brigham's Department of Patology

Moderné elektronické databázy môžu uchovávať obrovské množstvo digitálnych záznamov a referenčných obrázkov, najmä v patológii prostredníctvom celosnímkových obrázkov (WSI). Vzhľadom na gigapixelovú veľkosť každého jednotlivého WSI a neustále sa zvyšujúci počet obrázkov vo veľkých úložiskách však môže byť vyhľadávanie a získavanie WSI pomalé a komplikované. Škálovateľnosť preto zostáva kľúčovou prekážkou efektívneho využívania.

Na vyriešenie tohto problému vedci z Brigham vyvinuli SISH, ktorý sa sám učí učiť reprezentácie funkcií, ktoré dokážu nájsť prípady s analogickými znakmi v patológii konštantnou rýchlosťou, bez ohľadu na veľkosť databázy.

Vo svojej štúdii výskumníci testovali rýchlosť a schopnosť SISH získať interpretovateľné informácie o podtype ochorenia pre bežné a zriedkavé druhy rakoviny. Algoritmus bol schopný rýchlo a presne získať obrázky z databázy obsahujúcej desiatky tisíc obrázkov celých diapozitívov z viac ako 22 000 prípadov pacientov s viac ako 50 rôznymi typmi chorôb a viac ako tuctom anatomických miest. Rýchlosť vyhľadávania prekonala iné metódy v mnohých scenároch, vrátane vyhľadávania podtypov choroby, najmä keď sa veľkosť databázy obrázkov zmenila na tisíce obrázkov. Aj keď sa úložiská zväčšovali, SISH bola schopná udržiavať konzistentnú rýchlosť vyhľadávania.

Algoritmus má však určité obmedzenia, vrátane vysokých požiadaviek na pamäť, obmedzenej detekcie kontextu na veľkých tkanivových rezoch a skutočnosti, že je obmedzený na jedinú zobrazovaciu modalitu.

Celkovo algoritmus preukázal schopnosť efektívne získavať obrázky bez ohľadu na veľkosť úložiska a v rôznych súboroch údajov. Preukázala tiež kompetenciu v diagnostike typov zriedkavých chorôb a schopnosť slúžiť ako vyhľadávací nástroj na detekciu špecifických oblastí obrazu, ktoré môžu byť relevantné pre diagnostiku. Táto práca môže mať veľký vplyv na budúcu diagnostiku, prognózu a analýzu chorôb.

"Keďže obrazové databázy neustále rastú, dúfame, že SISH pomôže uľahčiť identifikáciu chorôb," povedal Mahmood. "Veríme, že dôležitým budúcim smerom v tejto oblasti je multimodálne zisťovanie prípadov, kde sa zdieľajú údaje o patológii, rádiológii, genomických a elektronických lekárskych záznamoch, aby sa našli podobné prípady pacientov."

Zdroj:

Brigham a ženská nemocnica

Referencia:

Chen, C., a kol. (2022) Rýchle a škálovateľné vyhľadávanie obrázkov celej snímky prostredníctvom hlbokého učenia sa pod dohľadom. Prírodné biomedicínske inžinierstvo. doi.org/10.1038/s41551-022-00929-8.

.