Vědci trénují modely hlubokého učení, aby zkoumali biopsie jako patolog lidského

Ve věku AI mnoho poskytovatelů zdravotní péče sní o digitálním asistentovi, nezatíženého únavou, pracovní zátěží, vyhořením nebo hladem, který by mohl poskytnout rychlý druhý názor na lékařská rozhodnutí, včetně diagnóz, léčebných plánů a předpisů.

Dnes, výpočetní výkon a know-how AI je k dispozici pro vývoj takových asistentů. Replikace odborných znalostí speciálně vyškoleného, ​​vysoce zkušeného patologa, radiologa nebo jiného specialisty však není snadné nebo přímé. Zejména algoritmy AI vyžadují obrovské množství dat k vytvoření vysoce přesných modelů. A čím více vysoce kvalitní datačím lépe.

Zejména pro patology lze s velkým úspěchem použít metodu zvanou manuální anotaci pixelů k výcviku modelů AI k přesné diagnostice specifických onemocnění z tkáňových biopsie. Tato metoda však vyžaduje vyškoleného patologa, který anotuje každý pixel v tkáňovém biopsickém obrazu, nastíní oblasti zájmu pro trénink modelu strojového učení. Annotační zátěž pro patology v tomto případě je zřejmá a omezuje množství údajů o kvalitě, které lze vytvořit pro modelovou školení, čímž omezuje diagnostickou přesnost případných modelů.

Aby se vyřešila tato výzva, tým vědců vedený vědci z Medsight AI Research Lab, První nemocnice Čínské lékařské univerzity a Národního společného inženýrského výzkumného střediska pro teranostiku imunologických kožních onemocnění v Shenyangu v Číně vyvinula metodu k anotování obrazových dat biopsie s očními zařízeními pro sledování očí s očními zařízeními.

Vědci Publikováno jejich studium v Přírodní komunikace 1. července.

„To obtain pathologists‘ expertise with minimal pathologist workload, … we collect(ed) the image review patterns of pathologists (using) eye-tracking devices. Simultaneously, we design(ed) a deep learning system, Pathology Expertise Acquisition Network (PEAN), based on the collected visual patterns, which can decode pathologists‘ expertise (and) diagnose (whole slide images),“ said Xiaoyu Cui, associate professor at the Medsight AI Research Lab na College of Medicine and Biological Information Engineering na Northeastern University a vyšší autor výzkumné práce.

Konkrétně tým předpokládal, že vizuální data získaná se zařízeními pro sledování očí, zatímco patologové přezkoumávají tkáňové bioptické obrazy, mohou učit model AI, které oblasti jsou obzvláště zajímavé o biopsii a poskytují mnohem méně zatěžující alternativu k anotaci pixelů. Tímto způsobem tým doufal, že extrahoval odborné znalosti patologů mnohem méně náročným způsobem a vytvořil mnohem více dat pro vývoj a trénování přesnějších hlubokých diagnostických modelů podporovaných učením.

Abychom toho dosáhli, tým shromáždil data o recenze snímku od patologů pomocí softwaru vyvinutého na míru a zařízení pro sledování očí, které vykazovalo pohyby očí patologů, přiblížení a posouvání obrazů celé tkáně a diagnózy pro každý vzorek. Celkem 5 881 Vzorky tkáně Byly přezkoumány zahrnující pět různých typů kožních lézí.

Pean systém vypočítá „odborné hodnoty“ pro všechny oblasti ve vzorku tkáně simulací zájmových oblastí patologa porovnáním dat sledování očí s manuálními daty anotace pixelů stejných tkáňových biopsie. S těmito tréninkovými údaji by Pean modely mohly předpovídat podezřelé oblasti každého obrazu biopsie, aby napodobovaly odborné znalosti patologů (Pean-I) nebo trénovaly modely pro klasifikaci diagnóz vzorků tkáně (Pean-C).

Je pozoruhodné, že Pean-C dosáhl přesnosti 96,3% a plochu pod křivkou (AUC) 0,992, což měří, jak dobře model může rozlišovat mezi pozitivními a negativními vzorky, při klasifikaci vzorků byl vyškolen a přesnost 93,0% a AUC 0,984 na vzorcích tkání nebyl vyškolen. Pean-C se podařilo překonat přesnost druhé nejlepší klasifikace AI o 5,5% pomocí stejné externí testovací sady.

Systém Pean-I, napodobováním odborných znalostí patologů, může navíc vybrat regiony zájmu, které mohou pomoci jiným modelům učení přesněji diagnostikovat tkáňové obrazy. Když byly tři další učební modely, škeble, Abmil a Transmil, vyškoleny s obrazy vzorku tkání generované Pean-I, přesnost a AUC byly významně zvýšeny, přičemž p-hodnoty 0,0053 a 0,0161 byly stanoveny párovými t testy.

„Pean není jen nový hluboký diagnostický systém založený na učení, ale průkopnickým paradigmatem s potenciálem revoluce současného stavu inteligentního lékařského výzkumu. Může extrahovat a kvantifikovat lidské diagnostické odborné znalosti, čímž překonává společné nevýhody modelů hlavního proudu, jako je vysoká konzumace lidských zdrojů a nízká důvěra lékařů,“ řekl Cui.

Výzkumný tým uznává, že vyvinul pouze zlomek potenciálu Peana pro pomoc poskytovatelům zdravotní péče s klasifikací nemocí a detekcí lézí. V budoucnu by autoři chtěli aplikovat Pean na řadu následných úkolů, včetně personalizované diagnózy, bionických lidí a multimodálních velkých prediktivních modelů.

„Pokud jde o konečný cíl, snažíme se vyvinout jedinečnou„ repliku digitálního člověka “pro každého zkušeného patologa pomocí modelů Pean a velkých jazyků,… usnadněné dvěma hlavními výhodami Peana: nízké náklady na sběr dat a pokročilý koncepční design, který umožňuje snadný, rozsáhlý multimodální sběr dat,“ řekl Cui.

Poskytl výzkumnou laboratoř Medsight AI