.
Doenças raras são muitas vezes difíceis de diagnosticar e prever o melhor curso de tratamento pode ser um desafio para os médicos. Investigadores do Mahmood Lab no Brigham and Women’s Hospital, um membro fundador do sistema de saúde Mass General Brigham, desenvolveram um algoritmo de aprendizado profundo que pode aprender a aprender recursos que podem ser usados para encontrar casos semelhantes em grandes repositórios de imagens de patologia. Conhecida como SISH (Self-Supervised Image search for Histology), a nova ferramenta funciona como um mecanismo de busca de imagens de patologia e tem muitas aplicações potenciais, incluindo identificar doenças raras e ajudar os médicos a determinar quais pacientes provavelmente responderão a terapias semelhantes. Um artigo introduzindo o algoritmo de autoaprendizagem é publicado em Engenharia Biomédica da Natureza.
“Mostramos que nosso sistema pode auxiliar no diagnóstico de doenças raras e encontrar casos com padrões morfológicos semelhantes sem a necessidade de anotações manuais e grandes conjuntos de dados para treinamento supervisionado”, disse o autor sênior Faisal Mahmood, PhD, do Departamento de Patologia do Brigham. . “Este sistema tem o potencial de melhorar o treinamento de patologia, subtipagem de doenças, identificação de tumores e identificação de morfologia rara”.
Bancos de dados eletrônicos modernos podem armazenar uma imensa quantidade de registros digitais e imagens de referência, particularmente em patologia por meio de imagens de slides inteiros (WSIs). No entanto, o tamanho gigapixel de cada WSI individual e o número cada vez maior de imagens em grandes repositórios significam que a pesquisa e a recuperação de WSIs podem ser lentas e complicadas. Como resultado, a escalabilidade continua sendo um obstáculo pertinente para o uso eficiente.
Para resolver esse problema, pesquisadores do Brigham desenvolveram o SISH, que ensina a aprender representações de características que podem ser usadas para encontrar casos com características análogas em patologia a uma velocidade constante, independentemente do tamanho do banco de dados.
Em seu estudo, os pesquisadores testaram a velocidade e a capacidade do SISH de recuperar informações interpretáveis de subtipos de doenças para cânceres comuns e raros. O algoritmo recuperou com sucesso imagens com velocidade e precisão de um banco de dados de dezenas de milhares de imagens de slides inteiras de mais de 22.000 casos de pacientes, com mais de 50 tipos de doenças diferentes e mais de uma dúzia de locais anatômicos. A velocidade de recuperação superou outros métodos em muitos cenários, incluindo a recuperação de subtipos de doenças, principalmente porque o tamanho do banco de dados de imagens foi dimensionado para milhares de imagens. Mesmo enquanto os repositórios se expandiam em tamanho, o SISH ainda era capaz de manter uma velocidade de busca constante.
O algoritmo, no entanto, tem algumas limitações, incluindo um grande requisito de memória, reconhecimento de contexto limitado em grandes lâminas de tecido e o fato de ser limitado a uma única modalidade de imagem.
No geral, o algoritmo demonstrou a capacidade de recuperar imagens de forma eficiente, independentemente do tamanho do repositório e em diversos conjuntos de dados. Também demonstrou proficiência no diagnóstico de tipos de doenças raras e a capacidade de servir como mecanismo de busca para reconhecer certas regiões de imagens que podem ser relevantes para o diagnóstico. Este trabalho pode informar muito o diagnóstico, prognóstico e análise de doenças futuras.
“À medida que os tamanhos dos bancos de dados de imagens continuam a crescer, esperamos que o SISH seja útil para facilitar a identificação de doenças”, disse Mahmood. “Acreditamos que uma importante direção futura nesta área é a recuperação multimodal de casos, que envolve o uso conjunto de dados de patologia, radiologia, genômica e registros médicos eletrônicos para encontrar casos semelhantes de pacientes”.
Fonte da história:
Materiais fornecidos por Hospital Brigham e da Mulher. Nota: O conteúdo pode ser editado para estilo e duração.
.
