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(chǎn)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(jù)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(jù)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(jù)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(jù)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(jù)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(nèi)存需求、大型組織載玻片內(nèi)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(jù)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，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！