罕見疾病通常難以診斷，預測最佳治療方案對臨床醫(yī)生來說可能具有挑戰(zhàn)性。布萊根婦女醫(yī)院馬哈茂德實驗室(麻省總醫(yī)院布萊根醫(yī)療保健系統(tǒng)的創(chuàng)始成員)的研究人員開發(fā)了一種深度學習算法，該算法可以自學學習特征，然后可用于在大型病理圖像存儲庫中查找類似病例.
這種被稱為 SISH(組織學自我監(jiān)督圖像搜索)的新工具就像一個病理圖像搜索引擎，具有許多潛在的應用，包括識別罕見疾病和幫助臨床醫(yī)生確定哪些患者可能對類似療法產生反應。一篇介紹自學算法的論文發(fā)表在Nature Biomedical Engineering上。
“我們表明，我們的系統(tǒng)可以幫助診斷罕見疾病并找到具有相似形態(tài)模式的病例，而無需手動注釋和用于監(jiān)督訓練的大型數(shù)據集，”布萊根大學的資深作者 Faisal Mahmood 博士說病理學系。“該系統(tǒng)具有改善病理學訓練、疾病亞型、腫瘤識別和罕見形態(tài)識別的潛力。”
現(xiàn)代電子數(shù)據庫可以存儲大量的數(shù)字記錄和參考圖像，尤其是在病理學方面的全幻燈片圖像 (WSI)。然而，每個單獨的 WSI 的千兆像素大小以及大型存儲庫中不斷增加的圖像數(shù)量意味著 WSI 的搜索和檢索可能緩慢而復雜。因此，可擴展性仍然是有效使用的相關障礙。
為了解決這個問題，Brigham 的研究人員開發(fā)了 SISH，它可以自學學習特征表示，無論數(shù)據庫大小如何，都能以恒定的速度找到病理學中具有相似特征的病例。
在他們的研究中，研究人員測試了 SISH 檢索常見和罕見癌癥的可解釋疾病亞型信息的速度和能力。該算法成功地從超過 22,000 例患者病例、超過 50 種不同疾病類型和十幾個解剖部位的數(shù)萬張完整幻燈片圖像的數(shù)據庫中快速準確地檢索到圖像。
在許多情況下，檢索速度都優(yōu)于其他方法，包括疾病亞型檢索，尤其是當圖像數(shù)據庫規(guī)模擴大到數(shù)千張圖像時。即使存儲庫規(guī)模擴大，SISH 仍然能夠保持恒定的搜索速度。
然而，該算法有一些局限性，包括大內存需求、大型組織載玻片內有限的上下文感知以及它僅限于單一成像模式的事實。
總體而言，該算法展示了在獨立于存儲庫大小和不同數(shù)據集中有效檢索圖像的能力。它還展示了診斷罕見疾病類型的能力，以及作為搜索引擎識別可能與診斷相關的某些圖像區(qū)域的能力。這項工作可能會極大地為未來的疾病診斷、預后和分析提供信息
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！