自我心理AI用病理图像中发现类似的情况下,诊断罕见疾病

罕见疾病往往难以诊断和预测的最佳疗程可以为临床医生是一个挑战。调查员的马哈茂德布莱根妇女医院的实验室,质量一般的布里格姆的创始成员卫生保健系统,开发了一种深刻的学习算法,可以教自己学习特性可以用来找到类似的情况下大病理图像存储库。

被称为SISH(组织学Self-Supervised图片搜索),新工具的行为像一个搜索引擎病理学图像和有许多潜在的应用,包括识别罕见疾病并帮助临床医生确定哪些患者可能会应对类似的疗法。论文介绍了自学算法是发表在自然生物医学工程。

“我们表明,我们的系统可以协助罕见疾病的诊断和发现例类似的形态模式而不需要手工注释,和大型数据集监督训练,”资深作者费萨尔Mahmood博士说,布里格姆的病理。“这个系统有潜力改善病理培训、疾病亚型,肿瘤识别,和罕见的形态学鉴定。”

现代电子数据库可以存储大量的数字记录和参考图像,尤其是在病理学通过整个幻灯片图片(WSIs)。然而,每个WSI的像素大小和图像在大型存储库的不断增加,意味着WSIs的搜索和检索方面可以缓慢而复杂。因此,可伸缩性仍然是一个相关的障碍有效地利用。

为了解决这个问题,研究人员开发的布里格姆SISH,教导自己学习特性表征,可以用来发现病例具有类似的特性在病理以恒定的速度无论数据库的大小。

在他们的研究中,研究人员测试的速度和能力SISH检索可翻译的常见和罕见的癌症疾病亚型信息。该算法成功地从数据库检索图像与速度和准确度的成千上万的整张图片来自22000多个病人的情况下,与50多个不同的疾病类型和十几个解剖网站。

检索的速度比其他方法在很多情况下,包括疾病亚型检索,尤其是随着图像数据库大小缩放到成千上万的图片。尽管存储库规模扩大,SISH仍能够维持一个恒定的搜索速度。

算法,然而,有一些局限性包括大内存需求,有限的上下文感知在大型组织幻灯片,它仅限于单一成像方法。

总的来说,该算法证明了有效地检索图像库的大小和独立的能力在不同的数据集。它还展示了精通罕见疾病的诊断类型和作为的能力搜索引擎认识到某些地区可能与诊断相关的图片。这项工作可能极大地告知未来疾病诊断、预后,分析。

“作为图像数据库的规模继续增长,我们希望SISH将使识别疾病更有用,”马哈茂德说。“我们相信在这个领域一个重要的未来方向是多通道检索包括共同使用病理学、放射学、基因组和电子病历数据中发现类似的病人病例。”