Algoritmo de IA de autoaprendizaje utiliza imágenes patológicas para diagnosticar enfermedades raras
Por el equipo editorial de LabMedica en español Actualizado el 13 Oct 2022 |
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
Últimas Patología noticias
- Nueva técnica identifica células cancerosas individuales en sangre para tratamientos específicos
- Innovador dispositivo de extracción de sangre supera obstáculos comunes relacionados con la flebotomía
- Dispositivo POC intraoperatorio distingue entre quistes ováricos benignos y malignos en 15 minutos
- Prueba simple de biopsia de piel detecta el Parkinson y enfermedades neurodegenerativas relacionadas
- Herramienta bioinformática para identificar alteraciones cromosómicas en células tumorales puede mejorar diagnóstico del cáncer
- Dispositivo del tamaño de una moneda aísla rápidamente plasma sanguíneo para diagnósticos clínicos más rápidos y precisos
- IA predice propagación del cáncer al cerebro a partir de imágenes de biopsia de pulmón
- Tecnología de microagujas mejorada acelera extracción de muestra de líquido intersticial para diagnóstico de enfermedades
- IA supera a patólogos expertos en predicción de propagación del cáncer de pulmón
- Primer prototipo para aplicar IA al diagnóstico colorrectal
- Nueva prueba identifica cánceres de ovario agresivos más temprano
- Instrumento compacto de detección fotoacústica mejora diagnóstico biomédico de tejidos
- Dispositivo de esponja en cápsula no endoscópica ayuda a detectar cáncer de esófago
- Sistema de citología digital ofrece tecnología de próxima generación para prueba de Papanicolaou
- Red neuronal reconoce cáncer de mama en muestras histológicas con 100 % de precisión
- Modelo de aprendizaje automático calcula éxito de quimioterapia en pacientes con cáncer de hueso