مجله: sciencedaily

محققان یک الگوریتم یادگیری عمیق ایجاد کرده‌اند که می‌تواند به خود یاد دهد ویژگی‌هایی را بیاموزد که سپس می‌تواند برای یافتن موارد مشابه در مخازن بزرگ تصویر آسیب‌شناسی استفاده شود. مدل جدید به عنوان موتور جستجو برای پایگاه داده های بزرگ تصاویر آسیب شناسی عمل می کند و به شناسایی بیماری های نادر و تعیین بیمارانی که احتمالاً به درمان های مشابه پاسخ می دهند کمک می کند.

تشخیص بیماری‌های نادر اغلب دشوار است و پیش‌بینی بهترین روش درمانی می‌تواند برای پزشکان چالش برانگیز باشد. محققین آزمایشگاه محمود در بیمارستان زنان و بریگهام، یکی از اعضای مؤسس سیستم مراقبت های بهداشتی Mass General Brigham، الگوریتم یادگیری عمیقی را توسعه داده اند که می تواند به خود یاد دهد تا ویژگی هایی را بیاموزد که سپس می تواند برای یافتن موارد مشابه در مخازن بزرگ تصاویر آسیب شناسی استفاده شود. این ابزار جدید که به عنوان SISH (جستجوی تصویر خود نظارت شده برای بافت شناسی) شناخته می شود، مانند یک موتور جستجو برای تصاویر آسیب شناسی عمل می کند و کاربردهای بالقوه زیادی دارد، از جمله شناسایی بیماری های نادر و کمک به پزشکان در تعیین اینکه کدام بیماران احتمالاً به درمان های مشابه پاسخ می دهند. مقاله ای در مورد معرفی الگوریتم خودآموزی در Nature Biomedical Engineering منتشر شده است.

فیصل محمود، نویسنده ارشد، دکترا، در بخش آسیب شناسی بریگام گفت: "ما نشان می دهیم که سیستم ما می تواند به تشخیص بیماری های نادر کمک کند و مواردی با الگوهای مورفولوژیکی مشابه بدون نیاز به حاشیه نویسی دستی، و مجموعه داده های بزرگ برای آموزش نظارت شده پیدا کند." . این سیستم پتانسیل بهبود آموزش پاتولوژی، زیرتایپ بندی بیماری، شناسایی تومور و شناسایی مورفولوژی نادر را دارد.

پایگاه های داده الکترونیکی مدرن می توانند حجم عظیمی از سوابق دیجیتال و تصاویر مرجع را ذخیره کنند، به ویژه در آسیب شناسی از طریق تصاویر کل اسلاید (WSIs). با این حال، اندازه گیگاپیکسل هر WSI مجزا و تعداد روزافزون تصاویر در مخازن بزرگ به این معنی است که جستجو و بازیابی WSI ها می تواند کند و پیچیده باشد. در نتیجه، مقیاس‌پذیری یک مانع مناسب برای استفاده کارآمد باقی می‌ماند.

برای حل این مشکل، محققان در ،SISH ،Brigham را توسعه دادند که به خود می‌آموزد بازنمایی ویژگی‌هایی را بیاموزد که می‌توان از آن برای یافتن مواردی با ویژگی‌های مشابه در آسیب‌شناسی با سرعت ثابت بدون توجه به اندازه پایگاه داده استفاده کرد.

در مطالعه خود، محققان سرعت و توانایی SISH را برای بازیابی اطلاعات زیرگروه بیماری قابل تفسیر برای سرطان های رایج و نادر آزمایش کردند. این الگوریتم با موفقیت تصاویر را با سرعت و دقت از پایگاه داده ای متشکل از ده ها هزار تصویر اسلاید کامل از بیش از 22000 مورد بیمار، با بیش از 50 نوع بیماری مختلف و بیش از ده ها سایت آناتومیکی بازیابی کرد. سرعت بازیابی در بسیاری از سناریوها، از جمله بازیابی زیرگروه بیماری، از روش‌های دیگر بهتر عمل کرد، به‌ویژه که اندازه پایگاه داده تصویر به هزاران تصویر مقیاس‌بندی می‌شود. حتی در حالی که حجم مخازن افزایش یافته بود، SISH همچنان می‌توانست سرعت جستجوی ثابتی را حفظ کند.

با این حال، این الگوریتم دارای محدودیت هایی از جمله نیاز به حافظه زیاد، آگاهی از زمینه محدود در اسلایدهای بافت بزرگ و این واقعیت است که به یک روش تصویربرداری محدود می شود.

به طور کلی، الگوریتم توانایی بازیابی موثر تصاویر را مستقل از اندازه مخزن و در مجموعه داده‌های متنوع نشان داد. همچنین مهارت در تشخیص انواع بیماری های نادر و توانایی خدمت به عنوان یک موتور جستجو برای شناسایی مناطق خاصی از تصاویر که ممکن است برای تشخیص مرتبط باشد را نشان داد. این کار ممکن است تا حد زیادی به تشخیص، پیش آگهی و تجزیه و تحلیل بیماری در آینده کمک کند.

محمود گفت: «با ادامه رشد اندازه پایگاه‌های اطلاعاتی تصویر، امیدواریم SISH در تسهیل شناسایی بیماری‌ها مفید باشد.» "ما معتقدیم یکی از جهت گیری های مهم آینده در این زمینه، بازیابی موارد چندوجهی است که شامل استفاده مشترک از داده های پاتولوژی، رادیولوژی، ژنومیک و پرونده الکترونیکی پزشکی برای یافتن موارد مشابه بیمار است."

لینک مطلب: https://www.sciencedaily.com/releases/2022/10/221010115319.htm

منبع: Materials provided by Brigham and Women's Hospital. Note: Content may be edited for style and length.