SISH, Self-Supervised Image Search for Histology, este un algoritm bazat pe inteligență artificială, acționează precum un motor de căutare în baze de date vaste care conțin imagini histopatologice, capabil să identifice forme rare de boală.
SISH, cum funcționează algoritmul
Cercetătorii din laboratorul Mahmood de la Brigham and Women's Hospital au dezvoltat un nou algoritm de învățare profundă care este capabil să se învețe să caute seturi mari de date de imagini de patologie pentru a identifica cazuri similare de cancer, potrivit Inside Precision Medicine.
Instrumentul, numit SISH are capacitatea de a identifica caracteristici similare în imaginile patologiei și utilizează aceste informații atât pentru a identifica forma bolii, ajutând în același timp medicii și alți clinicieni să determine ce terapii vor fi cele mai eficiente pentru fiecare pacient.
Sistemul, caracterizat de faptul că poate „învăța” singur, fără supraveghere, s-a dovedit a fi o soluție rapidă, precisă și scalabilă în recunoașterea anumitor zone de interes din imaginile histopatologice relevante pentru diagnostic. Mai mult decât atât, SISH are potențialul de a ajuta medicii în identificarea precisă a pacienților care ar putea beneficia de un anumit tip de tratament, precum și de a prezice rezultatele studiilor clinice care au un număr limitat de probe.
Vezi și: Hipercalcemia, cauze, simptome și tratament. Poate duce la depresie și chiar comă
Una din caracteristicile principale ale modelului este faptul că își menține aceeași viteză de căutare indiferent de dimensiunea bazei de date imagistice în care acționează.
"Arătăm că sistemul nostru poate ajuta la diagnosticarea bolilor rare și poate găsi cazuri cu modele morfologice similare fără a fi nevoie de adnotări manuale și seturi mari de date pentru formarea supravegheată. Acest sistem are potențialul de a îmbunătăți formarea patologiei, subtiparea bolilor, identificarea tumorilor și identificarea morfologiei rare", a declarat autorul principal Faisal Mahmood, phD, în cadrul Departamentului de Patologie din Brigham.
SISH, testul din era digitală
În ultimii 10 sau mai mulți ani, sistemele de sănătate au digitalizat din ce în ce mai mult stocarea probelor tumorale prin intermediul sistemelor de imagistică cu lamelă întreagă. În timp ce bazele de date de patologie digitală pot stoca cu ușurință imaginile de dimensiuni gigapixel create cu ajutorul sistemelor Whole Slide Imaging, volumul mare de date a făcut dificilă interogarea acestor date.
Tehnica presupune scanarea propriu-zisă a probelor, la nivel microscopic, și crearea unei imagini digitale de rezoluție foarte înaltă. Cu toate că în acest mod poate fi stocat un număr vast de date imagistice, dimensiunea foarte mare a bazelor de date create îngreunează accesul prin metode obișnuite la informațiile medicale.
"Pe măsură ce instituțiile scanează și stochează un număr tot mai mare de imagini, ele apelează adesea la paradigme de stocare și recuperare WSI identice cu cele utilizate pentru diapozitivele lor de sticlă - depozite mari de date care pot fi căutate prin identificatorii pacienților, numărul de caz, data procedurii, raportul de patologie și așa mai departe, fără a valorifica conținutul morfologic digital al imaginilor în sine.
O provocare critică care împiedică adoptarea pe scară largă și eficientă a sistemelor de căutare și regăsire a imaginilor histologice cu întregul diapozitiv este scalabilitatea.
Aceasta este o provocare unică pentru sistemele de regăsire WSI în comparație cu alte baze de date de imagini, deoarece acestea trebuie să caute eficient un număr tot mai mare de diapozitive care pot consta fiecare din miliarde de pixeli și pot avea mai mulți gigaocteți în dimensiune", au scris cercetătorii.
Cu toate că SISH poate depista cazurile care au caracteristici morfologice asemănătoare și să ajute la diagnosticarea cazurilor rare de cancer, modelul prezintă și o serie de limitări.
Printre cele mai comune puncte slabe se numără nevoia de foarte multă memorie și faptul că este limitat la o singură reprezentare imagistică. În acest sens, autorii studiului văd numeroase direcții viitoare de cercetare și îmbunătățire a modelului, precum utilizarea concomitentă a informațiilor histopatologice, radiologice, genomice și a datelor din dosarele electronice ale pacienților.
SIS, analiză a peste 22.000 de cazuri
Acesta este, de altfel, și unul dintre motivele care au stat la baza dezvoltării algoritmului de inteligență artificială SISH. Studiul care a urmărit performanțele algoritmului a inclus zeci de mii de date imagistice WSI de la peste 22.000 de cazuri, conținând mai mult de 50 de tipuri diferite de boli, din peste 12 situsuri anatomice.
Oamenii de știință au urmărit viteza și capacitatea modelului de a repera informații despre subtipul bolii, atât pentru formele comune, cât și pentru formele rare de cancer. Conform rezultatelor, viteza reperării imaginilor din bazele de date, precum și identificarea subtipului de boală au depășit cu mult alte metode utilizate. În plus, viteza de identificare s-a menținut constantă indiferent de dimensiunea bazelor de date.
Cercetătorii au remarcat unele limitări ale tehnologiei, inclusiv o cerință mare de memorie, conștientizarea limitată a contextului în cadrul lamelor mari de țesut, tehnologia fiind limitată la o singură modalitate imagistică.
Cu toate acestea, SISH a demonstrat că poate prelua eficient imagini similare, indiferent de dimensiunea depozitului interogat, o capacitate rafinată de a diagnostica tipurile de boli rare și capacitatea de a servi drept motor de căutare pentru a recunoaște regiuni de imagini care pot fi relevante pentru diagnostic. În total, au remarcat cercetătorii, SISH poate ajuta la informarea diagnosticului, prognosticului și analizei viitoare a bolii.
Fiți la curent cu ultimele noutăți. Urmăriți DCMedical și pe Google News
Te-a ajutat acest articol?
Urmărește pagina de Facebook DCMedical și pagina de Instagram DCMedical Doza de Sănătate și accesează mai mult conținut util pentru sănătatea ta, prevenția și tratarea bolilor, măsuri de prim ajutor și sfaturi utile de la medici și pacienți.
