2022. 10. 13. - 11:00

Ritka betegségek - Kórképeket használ hasonló esetek felkutatására a mesterséges intelligencia

Ritka betegségek - Kórképeket használ hasonló esetek felkutatására a mesterséges intelligencia

Az öntanító mesterséges intelligencia kórképeket alkalmaz a hasonló esetek felkutatására, ritka betegségek diagnosztizálása céljából.

Ritka betegségek diagnosztizálásában segít az öntanító mesterséges intelligencia. Az ilyen betegségeket gyakran nehéz azonosítani - a legjobb kezelési mód előrejelzése kihívást jelenthet a klinikusok számára.
 
A Brigham és Női Kórház Mahmood Laboratóriumának kutatói kifejlesztettek egy mély tanulási algoritmust, ami képes megtanulni bizonyos funkciókat, amelyek aztán felhasználhatók hasonló esetek megtalálására nagy patológiás adatbázisban.
 
A SISH (Self-Supervised Image Search for Histology) néven ismert új eszköz a patológiás képek keresőmotorjaként működik.
 
Számos lehetséges alkalmazási területtel rendelkezik, beleértve a ritka betegségek azonosítását, de segít a klinikusoknak is meghatározni, mely betegek reagálnak valószínűleg a hasonló terápiákra.
 
Az öntanító algoritmust bemutató cikk a Nature Biomedical Engineering folyóiratban jelent meg. Olvasd el: Csak ránknéz és azonosítja a rákot a mesterséges intelligencia?
 
Kórképeket használ hasonló esetek felkutatására a mesterséges intelligencia
Kórképeket használ hasonló esetek felkutatására a mesterséges intelligencia
 
„Bemutatjuk, hogy rendszerünk segíthet a ritka betegségek diagnosztizálásában és hasonló morfológiai mintázatú esetekre lelhet, anélkül, hogy manuális megjegyzésekre és nagy adathalmazokra lenne szükség a felügyelt képzéshez - mondta Faisal Mahmood, Ph.D., a Brigham patológiai osztályának munkatársa, a tanulmány vezető szerzője. - Ez a rendszer képes javítani a patológiai képzést, a betegségek altípusait megállapítását, a daganatok azonosítását és a ritka morfológiai azonosítást is”.
 
A modern elektronikus adatbázisok hatalmas mennyiségű digitális rekordot és referenciaképet képesek tárolni, különösen a patológiában a teljes diaképek (WSI-k) révén. Az egyes WSI-k gigapixeles mérete és a nagy tárolókban lévő képek egyre növekvő száma azonban azt jelenti, hogy a WSI-k keresése és visszakeresése lassú és bonyolult folyamat lehet. Ennek eredményeként a méretezhetőség továbbra is a hatékony használat akadálya marad. Olvasd el: Virtuális daganatok és mesterséges intelligencia lehet a rákterápia jövője
 
A probléma megoldására a Brigham kutatói kifejlesztették a SISH-t, amely megtanítja saját magát a jellemző reprezentációk elsajátítására és ezek segítségével az adatbázis méretétől függetlenül - állandó sebességgel - meg lehet találni a patológiában analóg jellemzőkkel rendelkező eseteket.
 
Tanulmányukban a kutatók tesztelték a SISH sebességét és képességét, hogy értelmezhető információkat szerezzen be a betegség altípusairól a gyakori és ritka rákos megbetegedések esetében.
 
Az algoritmus több mint 22 ezer betegesetből, több mint 50 különböző betegségtípusból és több mint egy tucat anatómiai helyről, több 10 ezer teljes diaképet tartalmazó adatbázisból kérte le sikeresen a képeket, gyorsan és pontosan.
 
A visszakeresés sebessége számos forgatókönyvben felülmúlta a többi módszert, beleértve a betegség altípusainak keresését is - különösen, hogy a képadatbázis mérete több ezer képre skálázódott. Bár a tárolók mérete bővült, a SISH továbbra is képes volt az állandó keresési sebesség fenntartására.
 
Az algoritmusnak azonban vannak korlátai, beleértve a nagy memóriaigényt, a korlátozott kontextustudatosságot a nagy szövetlemezeken és azt a tényt, hogy egyetlen képalkotási módra korlátozódik. 
 
Összességében az algoritmus megmutatta, hogy képes hatékonyan lekérni a képeket, függetlenül a tároló méretétől és különböző adatkészletekben.
 
Azt is bizonyította, hogy jártas a ritka betegségek típusainak diagnosztizálásában és képes keresőmotorként szolgálni a képek bizonyos régióinak felismerésére - amelyek relevánsak lehetnek a diagnózis szempontjából. Mindez nagymértékben hozzájárulhat a jövőbeni betegségek diagnózisához, prognózisához és elemzéséhez.
 
„Mivel a képadatbázisok mérete folyamatosan nő, reméljük, a SISH hasznos lesz a betegségek azonosításában. Úgy véljük, ezen a területen az egyik fontos jövőbeli irány a multimodális esetek visszakeresése, amely magában foglalja a patológia, a radiológia, a genomikai és az elektronikus kórlapadatok együttes felhasználását a hasonló betegek felderítésére” – mondta Mahmood.
 
 
L.A.

Hírlevél feliratkozás

Kérjük, add meg adataidat a hírlevélre történő feliratkozáshoz! A megadott adatokat bizalmasan kezeljük, azokat harmadik félnek át nem adjuk.