Algoritmo de IA de autoaprendizaje utiliza imágenes patológicas para diagnosticar enfermedades raras

Las enfermedades raras suelen ser difíciles de diagnosticar y predecir el mejor curso de tratamiento puede ser un desafío para los médicos. Las bases de datos electrónicas modernas pueden almacenar una inmensa cantidad de registros digitales e imágenes de referencia, particularmente en patología a través de imágenes de diapositivas completas (WSI). Sin embargo, el tamaño en gigapíxeles de cada WSI individual y el número cada vez mayor de imágenes en grandes repositorios significa que la búsqueda y recuperación de WSI puede ser lenta y complicada. Como resultado, la escalabilidad sigue siendo un obstáculo importante para el uso eficiente. Para resolver este problema, los investigadores ahora han desarrollado un algoritmo de aprendizaje profundo que puede enseñarse a sí mismo a aprender características que luego se pueden usar para encontrar casos similares en grandes depósitos de imágenes de patología.

Conocida como SISH (siglas en inglés para búsqueda de imágenes autosupervisadas para histología), la nueva herramienta desarrollada por investigadores del Hospital Brigham and Women's (Boston, MA, EUA), actúa como un motor de búsqueda de imágenes patológicas y tiene muchas aplicaciones potenciales, incluida la identificación de enfermedades raras y ayudar a los médicos a determinar qué pacientes tienen probabilidades de responder a terapias similares. El algoritmo se enseña a sí mismo a aprender representaciones de características que se pueden usar para encontrar casos con características análogas en patología a una velocidad constante, independientemente del tamaño de la base de datos.

En su estudio, los investigadores probaron la velocidad y la capacidad de SISH para recuperar información de subtipo de enfermedad interpretable para cánceres comunes y raros. El algoritmo recuperó con éxito imágenes con velocidad y precisión de una base de datos de decenas de miles de imágenes de diapositivas completas de más de 22.000 casos de pacientes, con más de 50 tipos de enfermedades diferentes y más de una docena de sitios anatómicos. La velocidad de recuperación superó a otros métodos en muchos escenarios, incluida la recuperación de subtipos de enfermedades, particularmente cuando el tamaño de la base de datos de imágenes se amplió a miles de imágenes. Incluso mientras los depósitos se expandían en tamaño, SISH aún podía mantener una velocidad de búsqueda constante.

Sin embargo, el algoritmo de autoaprendizaje tiene algunas limitaciones, incluido un gran requerimiento de memoria, una conciencia limitada del contexto dentro de grandes diapositivas de tejido y el hecho de que está limitado a una sola modalidad de imagen. En general, el algoritmo demostró la capacidad de recuperar imágenes de manera eficiente independientemente del tamaño del repositorio y en diversos conjuntos de datos. También demostró capacidad en el diagnóstico de tipos de enfermedades raras y la capacidad de servir como motor de búsqueda para reconocer ciertas regiones de imágenes que pueden ser relevantes para el diagnóstico. Este trabajo puede informar en gran medida el diagnóstico, pronóstico y análisis de enfermedades futuras.

"Demostramos que nuestro sistema puede ayudar con el diagnóstico de enfermedades raras y encontrar casos con patrones morfológicos similares sin la necesidad de anotaciones manuales y grandes conjuntos de datos para el entrenamiento supervisado", dijo el autor principal Faisal Mahmood, PhD, en el Departamento de Patología de Brigham. “Este sistema tiene el potencial de mejorar la capacitación en patología, la subtipificación de enfermedades, la identificación de tumores y la identificación de morfologías raras”.

“A medida que el tamaño de las bases de datos de imágenes continúa creciendo, esperamos que SISH sea útil para facilitar la identificación de enfermedades”, agregó Mahmood. "Creemos que una dirección futura importante en esta área es la recuperación multimodal de casos, que implica el uso conjunto de datos de patología, radiología, genómica y registros médicos electrónicos para encontrar casos de pacientes similares".

Enlaces relacionados:
Hospital Brigham and Women's  

Visitar la expo >

Miembro Oro

CONTROL DE CALIDAD DE TROPONINA T

Troponin T Quality Control

Verification Panels for Assay Development & QC
Seroconversion Panels

New

TORCH Infections Test

TORCH Panel

New

Miembro Plata

ACTH Assay

ACTH ELISA