Глубокое обучение точно запятнает слайды цифровой биопсии
                Карты активации модели нейронной сети для цифрового окрашивания опухолей. Кредит: Массачусетский технологический институт

Слайды тканевой биопсии, окрашенные красителями гематоксилином и эозином (H & E), являются краеугольным камнем гистопатологии, особенно для патологов, нуждающихся в диагностике и определении стадии рака. Исследовательская группа, возглавляемая учеными Массачусетского технологического института в Медиа-лаборатории, в сотрудничестве с клиницистами Медицинского факультета Стэнфордского университета и Гарвардской медицинской школы, в настоящее время показывает, что цифровые сканы этих слайдов биопсии могут быть окрашены в вычислительном отношении, используя алгоритмы глубокого обучения, обученные на данных физически окрашенные слайды.
                                                                                       

Патологи, которые изучали компьютерно-окрашенные слайд-изображения H & E в слепом исследовании, не могли отличить их от традиционно окрашенных слайдов при использовании их для точной идентификации и оценки рака простаты. Более того, слайды также могут быть «окрашены» в вычислительном отношении таким образом, что они сбрасывают их в исходное состояние для использования в будущих исследованиях, заключают исследователи в своем исследовании от 20 мая, опубликованном в JAMA Network Open .

Этот процесс вычислительного цифрового окрашивания и де-окрашивания сохраняет небольшое количество биоптатов тканей от больных раком и позволяет исследователям и врачам анализировать слайды для различных видов диагностических и прогностических тестов без необходимости извлечения дополнительных срезов ткани.

«Наша разработка средства для удаления пятен может позволить нам значительно расширить наши возможности для проведения исследований на миллионах архивных слайдов с известными данными клинических результатов», — говорит Аларис Лоу, доцент кафедры патологии и директор по циркулирующей опухоли. Cell Lab в Стэнфордском университете, которая была соавтором статьи. «Возможности применения этой работы и строгой проверки результатов действительно безграничны».

Исследователи также проанализировали шаги, с помощью которых нейронные сети с глубоким обучением окрашивали слайды, что является ключевым для клинической трансляции этих систем глубокого обучения, говорит Пратик Шах, главный исследователь MIT и старший автор исследования.

«Проблема в ткани, решение — в алгоритме, но нам также нужна ратификация результатов, полученных этими системами обучения», — говорит он. «Это обеспечивает объяснение и валидацию рандомизированных клинических испытаний моделей глубокого обучения и их результатов для клинических применений».

Другие участники MIT — первый совместный автор и технический сотрудник Aman Rana (сейчас в Amazon) и постдок MIT Akram Bayat в лаборатории Шаха. Патологи из Гарвардской медицинской школы, Бригамской и женской больниц, Бостонского медицинского университета и Отдела по делам ветеранов Boston Healthcare предоставили клиническую проверку результатов.

Создание слайдов «родного брата»

Для создания компьютерно-окрашенных слайдов Шах и его коллеги обучают глубоким нейронным сетям, которые изучают путем сравнения пар цифровых изображений биопсийных слайдов до и после окрашивания H & E. По словам Шаха, эта задача хорошо подходит для нейронных сетей, «поскольку они достаточно эффективны в изучении распределения и отображения данных таким образом, что люди не могут хорошо изучить».

Шах называет пары «братьями и сестрами», отмечая, что процесс обучает сеть, показывая им тысячи пар братьев и сестер. После обучения, по его словам, сети нужен только «недорогой и широко доступный, простой в управлении брат и сестра» — неокрашенные биопсийные изображения — для создания новых изображений, окрашенных H & E, или наоборот, когда окрашивается H & E красителем изображение практически не окрашено.

В текущем исследовании исследователи обучили сеть с использованием 87 000 фрагментов изображений (небольшие участки всех цифровых изображений), отсканированных с использованием биопсии ткани предстательной железы от 38 мужчин, проходивших лечение в Бригаме и Женской больнице в период между 2014 и 2017 годами. Ткани и пациенты «Электронные медицинские записи были отменены как часть исследования.

Когда Шах и его коллеги сравнивали обычное окрашенное красками и вычислительно окрашенное изображение пиксель за пикселем, они обнаружили, что нейронные сети выполняли точное виртуальное окрашивание H & E, создавая изображения, которые были на 90-96 процентов похожи на окрашенные версии. Алгоритмы глубокого обучения также могут повернуть процесс вспять, выкрасив вычислительные слайды обратно в исходное состояние с аналогичной степенью точности.

«Эта работа показала, что компьютерные алгоритмы способны надежно брать неокрашенные ткани и выполнять гистохимическое окрашивание с использованием H & E», — говорит Лоу, который сказал, что этот процесс «закладывает основы» для использования других пятен и аналитических методов, которые патологи регулярно используют .

Окрашенные слайды с помощью вычислений могут помочь автоматизировать трудоемкий процесс окрашивания слайдов, но Шах сказал, что способность удалять пятна и сохранять изображения для будущего использования является реальным преимуществом методов глубокого обучения. «На самом деле мы не просто решаем проблему окрашивания, мы также решаем проблему сохранения тканей», — сказал он.

Программное обеспечение как медицинское устройство

В рамках исследования четыре сертифицированных и обученных эксперта патолога маркировали 13 наборов компьютерно окрашенных и традиционно окрашенных слайдов для выявления и оценки потенциальных опухолей. В первом раунде двум случайно выбранным патологоанатомам были предоставлены компьютерно-окрашенные изображения, в то время как H & E-окрашенные изображения были предоставлены двум другим патологам. Через четыре недели наборы изображений были поменяны местами между патологами, и был проведен еще один раунд аннотаций. Было 95-процентное совпадение в аннотациях, сделанных патологами на двух наборах слайдов. «Люди-читатели не могли отличить их друг от друга», — говорит Шах.

Оценки патологов, полученные с помощью компьютерно окрашенных слайдов, также согласуются с большинством начальных клинических диагнозов, включенных в электронные медицинские карты пациента. Исследователи обнаружили, что в двух случаях окрашенные в вычислительном отношении изображения перевернули исходные диагнозы.

«Тот факт, что диагнозы с более высокой точностью можно было визуализировать на цифровых изображениях, говорит о высоком качестве изображения», — говорит Лоу.

Еще одна важная часть исследования заключалась в использовании новых методов для визуализации и объяснения того, как нейронные сети собирают окрашенные и неокрашенные изображения в вычислительном отношении. Это было сделано путем создания попиксельной визуализации и объяснения процесса с использованием карт активации моделей нейронных сетей, соответствующих опухолям, и других функций, используемых врачами для дифференциальной диагностики.

Этот тип анализа помогает создать процесс проверки, который необходим при оценке «программного обеспечения как медицинского устройства», — говорит Шах, который работает с Управлением по контролю за продуктами и лекарствами США над способами регулирования и перевода вычислительной медицины для клинических применений. .

«Вопрос был в том, как мы можем использовать эту технологию в клинических условиях, чтобы максимизировать пользу для пациентов и врачей?» Шах говорит. «Процесс разработки этой технологии включает в себя все эти этапы: высококачественные данные, информатику, объяснение моделей и производительность сравнительного анализа, визуализацию изображений и сотрудничество с клиницистами для проведения нескольких этапов оценки.»/P>




Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *