Selbstlernende KI nutzt Pathologiebilder, um ähnliche Fälle zu finden und seltene Krankheiten zu diagnostizieren
Neues Modell durchsucht große Datenbanken mit Pathologiebildern
seltene Krankheiten sind oft schwer zu diagnostizieren, und die Vorhersage des besten Behandlungsverlaufs kann für Kliniker eine Herausforderung sein. Forscher des Mahmood-Labors am Brigham and Women's Hospital, einem Gründungsmitglied des Mass General Brigham-Gesundheitssystems, haben einen Deep-Learning-Algorithmus entwickelt, der in der Lage ist, sich selbst Merkmale beizubringen, die dann zum Auffinden ähnlicher Fälle in großen Pathologie-Bildbeständen verwendet werden können. Das neue Tool, das unter dem Namen SISH (Self-Supervised Image search for Histology) bekannt ist, funktioniert wie eine Suchmaschine für Pathologiebilder und hat viele potenzielle Anwendungsmöglichkeiten, darunter die Identifizierung seltener Krankheiten und die Unterstützung von Klinikern bei der Bestimmung, welche Patienten wahrscheinlich auf ähnliche Therapien ansprechen. Ein Artikel, in dem der selbstlernende Algorithmus vorgestellt wird, wurde in Nature Biomedical Engineering veröffentlicht.
Symbolbild
Computer generated picture
"Wir zeigen, dass unser System bei der Diagnose seltener Krankheiten helfen und Fälle mit ähnlichen morphologischen Mustern finden kann, ohne dass manuelle Anmerkungen und große Datensätze für überwachtes Training erforderlich sind", so der Hauptautor Faisal Mahmood, PhD, in der Abteilung für Pathologie des Brigham. "Dieses System hat das Potenzial, die Pathologieausbildung, die Subtypisierung von Krankheiten, die Tumoridentifizierung und die Identifizierung seltener Morphologien zu verbessern."
Moderne elektronische Datenbanken können eine immense Menge an digitalen Datensätzen und Referenzbildern speichern, insbesondere in der Pathologie in Form von ganzen Objektträgerbildern (WSI). Die Gigapixel-Größe jedes einzelnen WSI und die ständig wachsende Anzahl von Bildern in großen Repositories bedeuten jedoch, dass die Suche und das Abrufen von WSIs langsam und kompliziert sein kann. Daher ist die Skalierbarkeit nach wie vor ein großes Hindernis für eine effiziente Nutzung.
Um dieses Problem zu lösen, haben Forscher der Brigham University SISH entwickelt, das sich selbst lernt, Merkmalsrepräsentationen zu erlernen, mit denen Fälle mit analogen Merkmalen in der Pathologie unabhängig von der Größe der Datenbank mit konstanter Geschwindigkeit gefunden werden können.
In ihrer Studie testeten die Forscher die Geschwindigkeit und die Fähigkeit von SISH, interpretierbare Informationen über Krankheitssubtypen für häufige und seltene Krebsarten zu finden. Der Algorithmus fand erfolgreich Bilder mit Geschwindigkeit und Genauigkeit aus einer Datenbank mit Zehntausenden von ganzen Objektträgerbildern von über 22.000 Patientenfällen mit über 50 verschiedenen Krankheitstypen und über einem Dutzend anatomischer Stellen. Die Geschwindigkeit des Abrufs übertraf andere Methoden in vielen Szenarien, einschließlich des Abrufs von Krankheitssubtypen, insbesondere als die Größe der Bilddatenbank in den Bereich von Tausenden von Bildern anstieg. Selbst als die Bilddatenbank immer größer wurde, konnte SISH die Suchgeschwindigkeit konstant halten.
Der Algorithmus hat jedoch einige Einschränkungen, darunter ein großer Speicherbedarf, ein begrenztes Kontextbewusstsein innerhalb großer Gewebeschnitte und die Tatsache, dass er auf eine einzige Bildgebungsmodalität beschränkt ist.
Insgesamt hat der Algorithmus die Fähigkeit bewiesen, Bilder unabhängig von der Größe des Speichers und in verschiedenen Datensätzen effizient abzurufen. Er erwies sich auch als leistungsfähig bei der Diagnose seltener Krankheitstypen und als Suchmaschine zur Erkennung bestimmter Bildbereiche, die für die Diagnose relevant sein könnten. Diese Arbeit kann für die zukünftige Diagnose, Prognose und Analyse von Krankheiten von großem Nutzen sein.
"Da die Bilddatenbanken immer größer werden, hoffen wir, dass SISH dazu beitragen wird, die Identifizierung von Krankheiten zu erleichtern", so Mahmood. "Wir glauben, dass eine wichtige zukünftige Richtung in diesem Bereich die multimodale Suche nach Fällen ist, bei der Pathologie-, Radiologie-, Genom- und elektronische Krankenakten-Daten gemeinsam genutzt werden, um ähnliche Patientenfälle zu finden.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Holen Sie sich die Analytik- und Labortechnik-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für Analytik und Labortechnik bringt Sie jeden Dienstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
