Цифровая патология — это новая область, которая в основном имеет дело с микроскопическими изображениями, полученными из биопсий пациентов. Из-за высокого разрешения большинство этих полных изображений слайдов (WSI) имеют большой размер, обычно превышающий гигабайт (Гб). Поэтому обычные методы анализа изображений не могут эффективно с ними справиться.
Видя необходимость, исследователи из Медицинской школы Бостонского университета (BUSM) разработали новый алгоритм искусственного интеллекта (ИИ), основанный на структуре, называемой репрезентативным обучением, для классификации подтипа рака легких на основе изображений легочной ткани из резецированных опухолей.
«Мы разрабатываем новые методы на основе искусственного интеллекта, которые могут повысить эффективность оценки данных цифровой патологии. Практика патологии находится в разгаре цифровой революции. ни один эксперт, такие методы и технологии не могут напрямую помочь в диагностике», — объясняет автор-корреспондент Виджая Б. Колачалама, доктор философии, FAHA, доцент медицины и компьютерных наук в BUSM.
Исследователи разработали преобразователь зрения на основе графа для цифровой патологии под названием Graph Transformer (GTP), который использует графическое представление изображений патологии и вычислительную эффективность архитектур преобразователя для выполнения анализа всего изображения слайда.
«Перенести последние достижения в области компьютерных наук на цифровую патологию непросто, и необходимо создать методы искусственного интеллекта, которые могут решать проблемы исключительно цифровой патологии», — объясняет соавтор Дженнифер Бин, доктор философии, доцент медицина в БУСМ.
Затем, используя целые изображения слайдов и клинические данные из трех общедоступных национальных когорт, они разработали модель, которая могла различать аденокарциному легкого, плоскоклеточный рак легкого и соседнюю нераковую ткань. В ходе серии исследований и анализов чувствительности они показали, что их структура GTP превосходит современные современные методы, используемые для классификации изображений всего слайда.
Они считают, что их структура машинного обучения имеет последствия, выходящие за рамки цифровой патологии . «Исследователи, заинтересованные в разработке подходов компьютерного зрения для других реальных приложений, также могут найти наш подход полезным», — добавили они.
Эти данные опубликованы в журнале IEEE Transactions on Medical Imaging.
Теги: ИИ
