北京
罕见疾病往往难以诊断，预测最佳治疗方案对临床医生来说是一个挑战。Brigham and Women’s Hospital Mahmood Lab的研究人员是Mass General Brigham医疗系统的创始成员，他们开发了一种深度学习算法，可以自学学习特征，然后用于在大型病理图像库中查找类似病例。该新工具被称为SISH（组织学自我监督图像搜索），其作用类似于病理图像的搜索引擎，具有许多潜在应用，包括识别罕见疾病和帮助临床医生确定哪些患者可能对类似疗法产生反应。介绍自学算法的论文发表在《自然生物医学工程》上。
布里格姆病理学系资深作者费萨尔·马哈茂德博士说：“我们的系统可以帮助诊断罕见疾病，并发现具有相似形态学模式的病例，而无需手动注释，还可以使用大型数据集进行监督培训。该系统有潜力改进病理学训练、疾病分型、肿瘤识别和罕见形态学识别。”
现代电子数据库可以存储大量的数字记录和参考图像，特别是通过整张幻灯片图像（WSI）存储病理学数据。然而，每个WSI的千兆像素大小以及大型存储库中不断增加的图像数量意味着WSI的搜索和检索可能会缓慢而复杂。因此，可扩展性仍然是高效使用的相关障碍。
为了解决这个问题，Brigham的研究人员开发了SISH，它自学学习特征表示法，无论数据库的大小如何，都可以用来以恒定的速度查找病理学中具有类似特征的病例。
在他们的研究中，研究人员测试了SISH检索常见和罕见癌症可解释疾病亚型信息的速度和能力。该算法成功地从数据库中快速、准确地检索了22000多例患者的成千上万张完整幻灯片图像，其中包括50多种不同的疾病类型和十几个解剖部位。检索速度在许多情况下都优于其他方法，包括疾病亚型检索，特别是当图像数据库的大小扩展到数千张图像时。即使存储库规模扩大，SISH仍然能够保持恒定的搜索速度。
然而，该算法有一些局限性，包括需要大量内存、大型组织切片中有限的上下文感知以及仅限于单一成像模式的事实。
总的来说，该算法证明了独立于存储库大小和不同数据集高效检索图像的能力。它还显示了对罕见疾病类型诊断的熟练程度，以及作为搜索引擎识别可能与诊断相关的图像的某些区域的能力。这项工作可能对未来的疾病诊断、预后和分析有很大的帮助。
马哈茂德说：“随着图像数据库的规模不断扩大，我们希望SISH将有助于简化疾病识别。我们认为，这一领域未来的一个重要方向是多模式病例检索，它涉及联合使用病理学、放射学、基因组和电子病历数据来查找类似的患者病例。”
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
