Une IA autodidacte utilise des images de pathologie pour trouver des cas similaires et diagnostiquer des maladies rares

Un nouveau modèle fait office de moteur de recherche pour les grandes bases de données d'images pathologiques

14.10.2022 - Etats-Unis

Les maladies rares sont souvent difficiles à diagnostiquer et prédire le meilleur traitement peut être un défi pour les cliniciens. Des chercheurs du laboratoire Mahmood de l'hôpital Brigham and Women's, membre fondateur du système de santé Mass General Brigham, ont mis au point un algorithme d'apprentissage profond capable de s'auto-apprendre des caractéristiques qui peuvent ensuite être utilisées pour trouver des cas similaires dans de grands dépôts d'images de pathologie. Connu sous le nom de SISH (Self-Supervised Image search for Histology), le nouvel outil agit comme un moteur de recherche pour les images de pathologie et a de nombreuses applications potentielles, notamment pour identifier les maladies rares et aider les cliniciens à déterminer quels patients sont susceptibles de répondre à des thérapies similaires. Un article présentant l'algorithme d'auto-apprentissage est publié dans Nature Biomedical Engineering.

Computer generated picture

Image symbolique

"Nous montrons que notre système peut aider au diagnostic de maladies rares et trouver des cas présentant des modèles morphologiques similaires sans avoir besoin d'annotations manuelles, ni de grands ensembles de données pour une formation supervisée", a déclaré l'auteur principal Faisal Mahmood, PhD, du département de pathologie de Brigham. "Ce système a le potentiel d'améliorer la formation en pathologie, le sous-typage des maladies, l'identification des tumeurs et l'identification des morphologies rares."

Les bases de données électroniques modernes peuvent stocker une immense quantité d'enregistrements numériques et d'images de référence, notamment en pathologie grâce aux images de lames entières (WSI). Cependant, la taille gigapixel de chaque WSI et le nombre toujours croissant d'images dans les grands dépôts signifient que la recherche et la récupération des WSI peuvent être lentes et compliquées. Par conséquent, l'évolutivité reste un obstacle pertinent à une utilisation efficace.

Pour résoudre ce problème, les chercheurs de la Brigham ont développé SISH, qui apprend par lui-même à apprendre des représentations de caractéristiques pouvant être utilisées pour trouver des cas avec des caractéristiques analogues en pathologie à une vitesse constante, quelle que soit la taille de la base de données.

Dans leur étude, les chercheurs ont testé la vitesse et la capacité de SISH à récupérer des informations interprétables sur le sous-type de la maladie pour des cancers communs et rares. L'algorithme a réussi à récupérer des images avec rapidité et précision à partir d'une base de données de dizaines de milliers d'images de lames entières provenant de plus de 22 000 cas de patients, avec plus de 50 types de maladies différentes et plus d'une douzaine de sites anatomiques. La vitesse de récupération a surpassé les autres méthodes dans de nombreux scénarios, y compris la récupération de sous-types de maladies, en particulier lorsque la taille de la base de données d'images atteignait des milliers d'images. Même lorsque la taille des bases de données augmentait, SISH était capable de maintenir une vitesse de recherche constante.

L'algorithme présente toutefois certaines limites, notamment un besoin de mémoire important, une connaissance limitée du contexte dans les grandes lames de tissu et le fait qu'il soit limité à une seule modalité d'imagerie.

Dans l'ensemble, l'algorithme a démontré sa capacité à récupérer efficacement des images indépendamment de la taille du dépôt et dans divers ensembles de données. Il a également démontré sa compétence dans le diagnostic de types de maladies rares et sa capacité à servir de moteur de recherche pour reconnaître certaines régions d'images qui peuvent être pertinentes pour le diagnostic. Ces travaux pourraient grandement contribuer au diagnostic, au pronostic et à l'analyse des maladies à l'avenir.

"Comme la taille des bases de données d'images continue de croître, nous espérons que SISH sera utile pour faciliter l'identification des maladies", a déclaré Mahmood. "Nous pensons qu'une orientation future importante dans ce domaine est la recherche multimodale de cas, qui implique l'utilisation conjointe de données de pathologie, de radiologie, de génomique et de dossiers médicaux électroniques pour trouver des cas de patients similaires."

Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.

Publication originale

Autres actualités du département science

Actualités les plus lues

Plus actualités de nos autres portails

Tous les fabricants de spectromètres FT-IR en un coup d'œil