La IA autodidacta utiliza imágenes de patología para encontrar casos similares y diagnosticar enfermedades raras
Un nuevo modelo actúa como motor de búsqueda de grandes bases de datos de imágenes patológicas
Las enfermedades raras suelen ser difíciles de diagnosticar y predecir el mejor tratamiento puede ser un reto para los médicos. Los investigadores del laboratorio Mahmood del Brigham and Women's Hospital, miembro fundador del sistema sanitario Mass General Brigham, han desarrollado un algoritmo de aprendizaje profundo que puede enseñarse a sí mismo a aprender características que luego pueden utilizarse para encontrar casos similares en grandes repositorios de imágenes de patología. Conocida como SISH (Self-Supervised Image search for Histology), la nueva herramienta actúa como un motor de búsqueda de imágenes de patología y tiene muchas aplicaciones potenciales, incluyendo la identificación de enfermedades raras y la ayuda a los médicos para determinar qué pacientes tienen probabilidades de responder a terapias similares. En Nature Biomedical Engineering se publica un artículo en el que se presenta el algoritmo de autoaprendizaje.
Imagen simbólica
Computer generated picture
"Demostramos que nuestro sistema puede ayudar en el diagnóstico de enfermedades raras y encontrar casos con patrones morfológicos similares sin necesidad de anotaciones manuales, ni de grandes conjuntos de datos para el entrenamiento supervisado", dijo el autor principal Faisal Mahmood, PhD, en el Departamento de Patología de Brigham. "Este sistema tiene el potencial de mejorar la formación en patología, la subtipificación de enfermedades, la identificación de tumores y la identificación de morfologías raras".
Las bases de datos electrónicas modernas pueden almacenar una inmensa cantidad de registros digitales e imágenes de referencia, especialmente en patología a través de imágenes de portaobjetos completos (WSI). Sin embargo, el tamaño en gigapíxeles de cada WSI individual y el número cada vez mayor de imágenes en los grandes repositorios, significa que la búsqueda y recuperación de WSIs puede ser lenta y complicada. En consecuencia, la escalabilidad sigue siendo un obstáculo pertinente para un uso eficiente.
Para resolver este problema, los investigadores del Brigham desarrollaron SISH, que se enseña a sí mismo a aprender representaciones de características que pueden utilizarse para encontrar casos con características análogas en patología a una velocidad constante, independientemente del tamaño de la base de datos.
En su estudio, los investigadores probaron la velocidad y la capacidad de SISH para recuperar información interpretable sobre el subtipo de enfermedad para cánceres comunes y raros. El algoritmo recuperó con éxito imágenes con velocidad y precisión de una base de datos de decenas de miles de imágenes de portaobjetos completos de más de 22.000 casos de pacientes, con más de 50 tipos de enfermedad diferentes y más de una docena de sitios anatómicos. La velocidad de recuperación superó a la de otros métodos en muchos casos, incluida la recuperación de subtipos de enfermedades, sobre todo a medida que el tamaño de la base de datos de imágenes aumentaba hasta los miles de imágenes. Incluso cuando los repositorios aumentaron de tamaño, SISH fue capaz de mantener una velocidad de búsqueda constante.
Sin embargo, el algoritmo tiene algunas limitaciones, como un gran requisito de memoria, un conocimiento limitado del contexto dentro de las grandes diapositivas de tejido y el hecho de que se limita a una sola modalidad de imagen.
En general, el algoritmo demostró la capacidad de recuperar imágenes de forma eficiente, independientemente del tamaño del repositorio y en diversos conjuntos de datos. También demostró su destreza en el diagnóstico de tipos de enfermedades raras y la capacidad de servir como motor de búsqueda para reconocer ciertas regiones de las imágenes que pueden ser relevantes para el diagnóstico. Este trabajo puede ser de gran utilidad para el diagnóstico, el pronóstico y el análisis de enfermedades en el futuro.
"A medida que el tamaño de las bases de datos de imágenes sigue creciendo, esperamos que SISH sea útil para facilitar la identificación de enfermedades", afirma Mahmood. "Creemos que una dirección futura importante en este ámbito es la recuperación multimodal de casos, que implica el uso conjunto de datos de patología, radiología, genómica e historia clínica electrónica para encontrar casos de pacientes similares".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
