Un nou instrument de inteligență artificială (AI) de auto-predare a fost dezvoltat pentru a ajuta la diagnosticarea și predicția tratamentului în bolile rare.
În virtutea informațiilor limitate despre acestea, bolile rare reprezintă o provocare pentru clinicieni atât în identificarea lor, cât și în determinarea celui mai bun curs de tratament.â
Instrumentele de învățare automată devin utile în sprijinirea experienței și gândirii critice a clinicienilor. Instrumentele AI s-au dovedit a fi eficiente în diagnostic, prognostic și predicții de tratament în studiile de epilepsie, căutând noduli pulmonari potențial cancerigeni și îngrijirea pacienților cu leziuni cerebrale traumatice.
Există, totuși, preocupări de înțeles cu privire la implementarea AI în medicină, deoarece AI este la fel de bună ca și datele pe care le furnizează – așa că poate reflecta anumite părtiniri ale datelor demografice. De asemenea, este foarte nou și nu este bine legiferat.
Dar experții AI și clinicienii deopotrivă sunt încrezători că algoritmii de învățare automată vor juca un rol în îngrijirea pacienților în viitorul apropiat, nu ca înlocuitori pentru medici, ci prin completarea experienței și înțelepciunii umane pentru a maximiza capacitatea noastră de a ajuta pacienții.
Cercetătorii de la laboratorul Mahmood, axat pe învățarea automată, de la Spitalul Brigham din Boston, Massachusetts, au dezvoltat un algoritm de învățare profundă care poate învăța singur cum să identifice caracteristici similare în arhivele de imagini de patologie pentru a ajuta la diagnosticarea și generarea de ghiduri de tratament pentru boli rare. Rezultatele lor sunt publicate în revista Nature Biomedical Engineering.
Cunoscut sub numele de SISH (Self-Supervised Image Search for Histology), noul instrument este un tip de algoritm de „auto-predare”. La nivel elementar, încearcă să imite rețelele neuronale complexe din propriul nostru creier prin algoritmi. Acești algoritmi pot „învăța” apoi lucruri despre seturile de date prin găsirea de modele și tendințe, la fel ca noi în experiența noastră zilnică.
SISH acționează ca un motor de căutare pentru imagini patologice. Printre numeroasele sale aplicații potențiale, s-a dovedit că este capabil să identifice bolile rare și să-i ajute pe clinicieni să determine ce pacienți sunt susceptibili de a răspunde la anumite terapii.
„Sistemul nostru poate ajuta la diagnosticarea bolilor rare și poate găsi cazuri cu modele morfologice similare, fără a fi nevoie de adnotări, manuale și de seturi mari de date pentru instruire supravegheată. Acest sistem are potențialul de a îmbunătăți pregătirea patologiei, subtiparea bolii, identificarea tumorilor și identificarea morfologiei rare,”, spune autorul principal Dr. Faisal Mahmood, de la Departamentul de Patologie al Brigham.
Având în vedere că AI există de puțin timp, nu este surprinzător faptul că alte instrumente au fost testate pentru aceste tipuri de utilizări. În principiu, toate se bazează pe date – iar bazele de date electronice moderne pot stoca un număr imens de înregistrări digitale. O proporție semnificativă din aceste date vin sub formă de imagini. În patologie, acestea sunt în special imagini întregi de lame (WSI), care sunt scanări complete ale unei lame de microscop, creând un singur fișier digital de înaltă rezoluție.
Cu toate acestea, aceste imagini de înaltă fidelitate pot fi fișiere mari. Pe măsură ce mai multe dintre ele umplu arhivele digitale, căutarea prin bazele de date WSI poate fi consumatoare de timp, complexă și costisitoare din punct de vedere computațional.
Cercetătorii Brigham au depășit această problemă cu SISH, care învață singur să recunoască caracteristicile și să găsească cazuri analoge în bazele de date la o viteză constantă, indiferent de dimensiunea bazei de date.
Patologii și experții în inteligență artificială au testat viteza și capacitatea SISH de a prelua corect informații atât pentru cancerele comune, cât și pentru cele rare.
SISH a reușit să obțină cu succes imagini cu acuratețe și cu viteză mare dintr-o bază de date de zeci de mii de WSI din 22.000 de cazuri de pacienți. Peste 50 de tipuri diferite de boală și mai mult de o duzină de locuri anatomice au fost reprezentate în setul de date.
Noul algoritm a depășit alte metode în multe scenarii, inclusiv în identificarea subtipului bolii. De o importanță deosebită, a fost capacitatea SISH de a menține o viteză constantă de căutare, chiar dacă bazele de date s-au extins în dimensiune și când se utilizează diverse seturi de date.
Sursa: Cosmosmagazine.com