Samoučeči se algoritem globokega učenja lahko najde podobne primere v velikih repozitorijih patoloških slik

Samoučeči se algoritem globokega učenja lahko najde podobne primere v velikih repozitorijih patoloških slik

Redke bolezni je pogosto težko diagnosticirati in napovedovanje najboljšega načina zdravljenja je za zdravnike lahko izziv. Raziskovalci v Mahmood Labu pri Brigham and Women's Hospital, ustanovnem članu zdravstvenega sistema Mass General Brigham, so razvili algoritem globokega učenja, ki se lahko sam nauči, da se nauči funkcij, ki jih je nato mogoče uporabiti za iskanje podobnih primerov v velikih repozitorijih patoloških slik. Novo orodje, znano kot SISH (Self-Supervised Image search for Histology), deluje kot iskalnik patoloških slik in ima veliko potencialnih aplikacij, vključno z identifikacijo redkih bolezni in pomočjo zdravnikom pri določanju, kateri bolniki se bodo verjetno odzvali na podobne terapije. Članek, ki predstavlja algoritem samoučenja, je bil objavljen v Nature Biomedical Engineering.

Pokažemo, da lahko naš sistem pomaga diagnosticirati redke bolezni in najti primere s podobnimi morfološkimi vzorci brez potrebe po ročnih opombah in velikih zbirkah podatkov za nadzorovano usposabljanje. Ta sistem ima potencial za izboljšanje patološkega usposabljanja, podtipov bolezni, identifikacije tumorjev in identifikacije redkih morfologij.

Faisal Mahmood, dr., višji avtor, Brighamov oddelek za patologijo

Sodobne elektronske zbirke podatkov lahko shranijo ogromno digitalnih zapisov in referenčnih slik, zlasti v patologiji prek slik celih diapozitivov (WSI). Vendar pa je zaradi velikosti vsakega posameznega WSI v gigapikslih in vedno večjega števila slik v velikih repozitorijih iskanje in pridobivanje WSI lahko počasno in zapleteno. Zato ostaja razširljivost ključna ovira za učinkovito uporabo.

Da bi rešili to težavo, so raziskovalci v Brighamu razvili SISH, ki se uči predstavitve funkcij, ki lahko najdejo primere z analognimi značilnostmi v patologiji s konstantno hitrostjo, ne glede na velikost baze podatkov.

V svoji študiji so raziskovalci testirali hitrost in zmožnost SISH-a, da pridobi razložljive informacije o podvrsti bolezni za pogoste in redke vrste raka. Algoritem je lahko hitro in natančno pridobil slike iz zbirke podatkov, ki je vsebovala več deset tisoč celih slik diapozitivov iz več kot 22.000 primerov bolnikov z več kot 50 različnimi vrstami bolezni in več kot ducatom anatomskih lokacij. Hitrost pridobivanja je v številnih scenarijih presegla druge metode, vključno s pridobivanjem podtipa bolezni, zlasti ker je velikost podatkovne zbirke slik obsegala na tisoče slik. Tudi ko so se skladišča povečevala, je SISH lahko ohranil dosledno hitrost iskanja.

Vendar ima algoritem nekatere omejitve, vključno z visokimi zahtevami po pomnilniku, omejenim zaznavanjem konteksta na velikih odsekih tkiva in dejstvom, da je omejen na en način slikanja.

Na splošno je algoritem pokazal sposobnost učinkovitega pridobivanja slik ne glede na velikost skladišča in v različnih nizih podatkov. Prav tako je dokazal usposobljenost za diagnosticiranje vrst redkih bolezni in sposobnost, da služi kot iskalnik za odkrivanje določenih področij slike, ki so lahko pomembna za diagnozo. To delo ima lahko velik vpliv na prihodnjo diagnozo, prognozo in analizo bolezni.

"Ker podatkovne zbirke slik še naprej rastejo, upamo, da bo SISH pomagal pri lažji identifikaciji bolezni," je dejal Mahmood. "Verjamemo, da je pomembna prihodnja usmeritev na tem področju multimodalno iskanje primerov, kjer se patološki, radiološki, genomski in elektronski podatki o medicinski kartoteki izmenjujejo za iskanje podobnih primerov bolnikov."

Vir:

Brigham and Women's Hospital

Referenca:

Chen, C., et al. (2022) Hitro in razširljivo iskanje slik celotnega diapozitiva s pomočjo samonadzorovanega globokega učenja. Naravni biomedicinski inženiring. doi.org/10.1038/s41551-022-00929-8.

.