Le immagini possono valere più di mille parole, ma con immagini mediche, è un eufemismo. Le immagini digitali delle biopsie sono particolarmente preziose nella diagnosi e nel monitoraggio della progressione di alcune malattie, come la malattia renale cronica e il cancro.

Strumenti di calcolo chiamati reti neurali, che si concentrano sul riconoscimento di schemi complessi, si adattano bene a tali applicazioni. Ma poiché l'apprendimento automatico è così complesso, i professionisti medici in genere si affidano agli ingegneri informatici per "addestrare" o modificare le reti neurali per annotare o interpretare correttamente le immagini mediche.

Ora, I ricercatori dell'Università di Buffalo hanno sviluppato uno strumento che consente ai professionisti medici di analizzare le immagini senza competenze ingegneristiche. Lo strumento e i dati immagine utilizzati per il suo sviluppo sono disponibili pubblicamente su:https://github.com/SarderLab/H-AI-L

La tecnica è stata descritta in un articolo pubblicato su Intelligenza della macchina della natura l'11 febbraio. Dovrebbe essere applicabile alla digitalizzazione di immagini mediche di qualsiasi organo, i ricercatori hanno dimostrato lo strumento con immagini istologiche della malattia renale cronica e immagini di risonanza magnetica della ghiandola prostatica umana.

"Abbiamo creato un automatico, strumento di segmentazione human-in-the-loop per patologi e radiologi, "ha detto Pinaki Sarder, dottorato di ricerca, autore corrispondente e senior, e assistente professore presso il Dipartimento di Patologia e Scienze Anatomiche presso la Jacobs School of Medicine and Biomedical Sciences presso UB. L'autore principale del documento è Brendon Lutnick, un dottorando alla Jacobs School che lavora alla sua ricerca di tesi sotto la supervisione di Sarder.

Interfaccia intuitiva

Progettato con quella che i ricercatori chiamano un'interfaccia intuitiva, lo strumento migliora automaticamente l'annotazione e la segmentazione delle immagini mediche in base a ciò che "apprende" dal modo in cui l'utente umano interagisce con il sistema.

"Con il nostro sistema, non devi conoscere alcun machine learning, " ha detto Sarder. "Ora i professionisti medici possono fare l'annotazione della struttura da soli.

"La tecnica consente ai professionisti medici per la prima volta di utilizzare i propri strumenti familiari, come un visualizzatore di diapositive di uso comune per l'annotazione delle immagini, senza perdersi nella traduzione del gergo del machine learning, " Egli ha detto.

Lutnick ha spiegato che il sistema è progettato per migliorare le sue prestazioni in quanto "addestrato" sullo stesso set di dati. "Vuoi addestrarlo iterativamente sul tuo set di dati, " ha spiegato. "Questo ottimizza il carico di lavoro dell'annotatore esperto poiché il sistema diventa più efficiente ogni volta che lo si utilizza".

Il sistema migliora in modo iterativo, essenzialmente imparando ogni volta che il professionista medico ridisegna un confine su un'immagine per individuare una particolare struttura o anomalia.

Un modo migliore per prevedere la progressione della malattia

L'obiettivo finale è una comprensione più precisa dello stato di malattia di un paziente. "Quando fai una biopsia, vuoi capire le caratteristiche dell'immagine e cosa ti dicono sulla progressione della malattia, " ha detto Sarda.

Ha spiegato che, Per esempio, un'area rossa più scura su un'immagine del glomerulo nel rene, dove i prodotti di scarto vengono filtrati dal sangue, indica sclerosi, che può segnalare che la malattia è progredita. Quanto più precisamente possono essere definiti i confini di tali aree, migliore è la comprensione dello stadio della malattia in cui si trova il paziente e di come potrebbe progredire in futuro.

"Il sistema funziona sempre meglio, "Lutnick ha detto, "quindi l'onere dell'uomo che utilizza la macchina si riduce ad ogni iterazione. Ogni volta che l'individuo ridisegna un confine su un campione, il sistema sta imparando. È importante sottolineare che questa interazione consente all'essere umano di comprendere i punti deboli della macchina mentre apprende."