自学式AI利用病理图像寻找相似病例,诊断罕见病
罕见疾病通常很难诊断,预测最佳治疗方案对临床医生来说是一项挑战。布里格姆妇女医院马哈茂德实验室是布里格姆医疗保健系统的创始成员之一,来自该医院的研究人员开发了一种深度学习算法,该算法可以自我学习特征,然后用于在大型病理图像存储库中寻找类似病例。
这个新工具被称为SISH(组织学自监督图像搜索),就像一个搜索引擎病理图像,并有许多潜在的应用,包括识别罕见疾病并帮助临床医生确定哪些患者可能对类似疗法有反应。一篇介绍该算法的论文发表在自然生物医学工程.
“我们表明,我们的系统可以帮助诊断罕见疾病,并找到具有相似形态模式的病例,而不需要手动注释大型数据集布里格姆病理学系的资深作者费萨尔·马哈茂德博士说。“该系统有潜力改善病理培训、疾病亚型、肿瘤识别和罕见形态识别。”
现代电子数据库可以存储大量的数字记录和参考图像,特别是在病理中通过整个幻灯片图像(WSIs)。然而,每个WSI的10亿像素大小和大型存储库中不断增加的图像数量意味着WSI的搜索和检索可能缓慢而复杂。因此,可伸缩性仍然是一个相关的障碍有效地利用.
为了解决这个问题,布里格姆大学的研究人员开发了SISH,它可以自学学习特征表示,可以用于在病理学中以恒定的速度寻找具有类似特征的病例,而不管数据库的大小如何。
在他们的研究中,研究人员测试了SISH检索常见和罕见癌症可解释疾病亚型信息的速度和能力。该算法成功地从超过22000个患者病例的数万张整张幻灯片图像的数据库中快速和准确地检索出图像,这些图像包含50多种不同的疾病类型和十多个解剖部位。
在许多情况下,检索速度优于其他方法,包括疾病亚型检索,特别是当图像数据库大小扩展到数千张图像时。即使在存储库扩展的时候,SISH仍然能够保持恒定的搜索速度。
然而,该算法有一些局限性,包括内存需求大,在大型组织切片中有限的上下文感知,以及它仅限于单一的成像方式。
总的来说,该算法证明了有效检索图像的能力,独立于存储库大小和不同的数据集。它还展示了在罕见疾病类型的诊断和能力作为一个搜索引擎识别图像中可能与诊断相关的特定区域。这项工作可能为未来疾病的诊断、预后和分析提供重要信息。
Mahmood说:“随着图像数据库的规模继续增长,我们希望SISH将有助于更容易地识别疾病。”“我们相信,这一领域未来的一个重要方向是多模式病例检索,包括联合使用病理学、放射学、基因组学和电子病历数据来寻找类似的患者病例。”