Nyt segmenteringsværktøj giver læger mulighed for at lære computere at annotere medicinske billeder korrekt

Billeder kan være mere end tusind ord værd, men med medicinske billeder, det er en underdrivelse. Digitale billeder af biopsier er særligt værdifulde til at diagnosticere og spore udviklingen af ​​visse sygdomme, såsom kronisk nyresygdom og kræft.

Beregningsværktøjer kaldet neurale netværk, som fokuserer på kompleks mønstergenkendelse, er velegnede til sådanne applikationer. Men fordi maskinlæring er så kompleks, medicinske fagfolk er typisk afhængige af computeringeniører til at "træne" eller ændre neurale netværk for korrekt at kommentere eller fortolke medicinske billeder.

Nu, Forskere fra University at Buffalo har udviklet et værktøj, der lader læger analysere billeder uden teknisk ekspertise. Værktøjet og billeddataene, der blev brugt til dets udvikling, er offentligt tilgængelige på:https://github.com/SarderLab/H-AI-L

Teknikken blev beskrevet i et papir offentliggjort i Nature Machine Intelligence den 11. februar. Forventes at kunne anvendes til digitalisering af medicinske billeder af ethvert organ, forskerne demonstrerede værktøjet med histologiske billeder af kronisk nyresygdom og magnetiske resonansbilleder af den menneskelige prostata.

"Vi har skabt en automatisk, human-in-the-loop segmenteringsværktøj til patologer og radiologer, " sagde Pinaki Sarder, Ph.D., korresponderende og senior forfatter, og adjunkt ved Institut for Patologi og Anatomiske Videnskaber på Jacobs School of Medicine and Biomedical Sciences ved UB. Avisens hovedforfatter er Brendon Lutnick, en ph.d.-kandidat ved Jacobsskolen, der arbejder på sin afhandlingsforskning under Sarders vejledning.

Intuitiv grænseflade

Designet med det, forskerne kalder en intuitiv grænseflade, værktøjet forbedrer automatisk annotering og segmentering af medicinske billeder baseret på, hvad det "lærer" af den måde, den menneskelige bruger interagerer med systemet på.

"Med vores system, du behøver ikke at kende nogen maskinlæring, " sagde Sarder. "Nu kan læger selv lave strukturannoteringer.

"Teknikken giver læger for første gang mulighed for at bruge deres egne velkendte værktøjer, såsom en almindeligt brugt hele diasfremviser til billedannotering, uden at gå tabt i oversættelsen af ​​maskinlæringsjargon, " han sagde.

Lutnick forklarede, at systemet er designet til at forbedre dets ydeevne, da det er "trænet" på det samme datasæt. "Du ønsker at træne det på dit eget datasæt iterativt, " forklarede han. "Dette optimerer arbejdsbyrden for ekspertannotatoren, da systemet bliver mere effektivt, hver gang du bruger det."

Systemet forbedres iterativt, i det væsentlige at lære, hver gang lægen omtegner en grænse på et billede for at udpege en bestemt struktur eller abnormitet.

En bedre måde at forudsige sygdomsprogression

Det ultimative mål er en mere præcis forståelse af en patients sygdomstilstand. "Når du tager en biopsi, du ønsker at finde ud af billedfunktionerne og hvad de fortæller dig om sygdomsprogression, sagde Sarder.

Han forklarede, at for eksempel, et mørkere rødt område på et billede af glomerulus i nyren, hvor affaldsstoffer filtreres fra blod, indikerer sklerose, som kan signalere, at sygdommen har udviklet sig. Jo mere præcist grænserne for disse områder kan defineres, jo bedre forståelse af, hvilket sygdomsstadium patienten befinder sig i, og hvordan det kan udvikle sig i fremtiden.

"Systemet fungerer bedre hver gang, " sagde Lutnick, "så byrden for det menneske, der betjener maskinen, reduceres med hver iteration. Hver gang individet gentegner en grænse på en prøve, systemet lærer. Vigtigt, denne interaktion giver mennesket mulighed for at forstå maskinens svagheder, når den lærer."