(資料圖)
科技日報記者?張夢然
罕見疾病通常難以診斷，預測最佳治療方案對臨床醫生來說具有挑戰性。美國布萊根婦女醫院研究人員開發出一種深度學習算法，可以讓人工智能（AI）自學病理特征，在大型病理圖像存儲庫中找到類似的病例。這種被稱為SISH（組織學自我監督圖像搜索）的新工具就像一個病理圖像搜索引擎，具有許多潛在的應用，包括識別罕見疾病、幫助臨床醫生確定哪些患者可能對類似療法產生反應。相關論文發表在最近的《自然·生物醫學工程》上。
研究表明，該系統可幫助診斷罕見疾病并找到具有相似形態模式的病例，而無需手動注釋和查找大型數據集。該系統具有改善病理學訓練、區分疾病亞型、腫瘤識別和罕見形態識別的潛力。
現代電子數據庫可存儲大量的數字記錄和參考圖像，尤其是在病理學方面的全幻燈片圖像 （WSI）。但每個WSI就有千兆像素，且庫中圖像數量不斷增加，使檢索緩慢而復雜。因此，可擴展性仍然是有效使用的障礙。
為了解決這個問題，研究人員開發了SISH，它可以自學，無論數據庫大小如何，都能以恒定的速度找到病理學中具有相似特征的病例。
研究人員測試了SISH檢索常見和罕見癌癥的可解釋疾病亞型信息的速度和能力，成功地從超過22000例患者病例、超過50種不同疾病和十幾個解剖部位的數萬張WSI的數據庫中快速準確地檢索到圖像。在許多情況下，檢索速度都優于其他方法，包括疾病亞型檢索，尤其是當圖像數據庫規模擴大到數千張圖像時。即使存儲庫規模擴大，SISH仍能保持恒定的搜索速度。
總體而言，這種AI算法展示了有效檢索圖像、診斷罕見疾病類型的能力，以及作為搜索引擎識別可能與診斷相關的某些圖像區域的能力，有望極大促進未來的疾病診斷、預后和分析。
研究人員相信，隨著圖像數據庫的規模不斷擴大，SISH有助于更容易地識別疾病。該領域的一個重要方向是多模式病例檢索，其中涉及聯合使用病理學、放射學、基因組和電子病歷數據來查找類似的患者病例。
關鍵詞： 搜索引擎
營業執照公示信息