Foto's zeggen misschien meer dan duizend woorden, maar met medische beelden, dat is een understatement. Digitale beelden van biopsieën zijn vooral waardevol bij het diagnosticeren en volgen van de progressie van bepaalde ziekten, zoals chronische nierziekte en kanker.

Computational tools genaamd neurale netwerken, die zich richten op complexe patroonherkenning, zijn zeer geschikt voor dergelijke toepassingen. Maar omdat machine learning zo complex is, medische professionals vertrouwen doorgaans op computeringenieurs om neurale netwerken te "trainen" of aan te passen om medische beelden correct te annoteren of te interpreteren.

Nutsvoorzieningen, Onderzoekers van de Universiteit van Buffalo hebben een tool ontwikkeld waarmee medische professionals afbeeldingen kunnen analyseren zonder technische expertise. De tool en de beeldgegevens die zijn gebruikt voor de ontwikkeling ervan zijn openbaar beschikbaar op:https://github.com/SarderLab/H-AI-L

De techniek werd beschreven in een paper gepubliceerd in Intelligentie van de natuurmachine op 11 februari. Naar verwachting van toepassing op het digitaliseren van medische beelden van elk orgaan, de onderzoekers demonstreerden de tool met histologische beelden van chronische nierziekte en magnetische resonantiebeelden van de menselijke prostaatklier.

"We hebben een automatische, human-in-the-loop segmentatietool voor pathologen en radiologen, " zei Pinaki Sarder, doctoraat, corresponderende en senior auteur, en assistent-professor bij de afdeling Pathologie en Anatomische Wetenschappen van de Jacobs School of Medicine and Biomedical Sciences aan de UB. De hoofdauteur van het artikel is Brendon Lutnick, een promovendus aan de Jacobs School die onder begeleiding van Sarder aan zijn proefschriftonderzoek werkt.

Intuïtieve interface

Ontworpen met wat de onderzoekers een intuïtieve interface noemen, de tool verbetert automatisch de annotatie en segmentatie van medische beelden op basis van wat het "leert" van de manier waarop de menselijke gebruiker met het systeem omgaat.

"Met ons systeem je hoeft geen machine learning te kennen, " zei Sarder. "Nu kunnen medische professionals zelf structuurannotaties maken.

"De techniek stelt medische professionals voor het eerst in staat om hun eigen vertrouwde hulpmiddelen te gebruiken, zoals een veelgebruikte viewer voor hele dia's voor beeldannotaties, zonder te verdwalen in de vertaling van machine learning-jargon, " hij zei.

Lutnick legde uit dat het systeem is ontworpen om de prestaties te verbeteren omdat het wordt "getraind" op dezelfde dataset. "Je wilt het iteratief op je eigen dataset trainen, " legde hij uit. "Dit optimaliseert de werklast van de deskundige annotator omdat het systeem elke keer dat je het gebruikt efficiënter wordt."

Het systeem verbetert iteratief, in wezen leert elke keer dat de medische professional een grens op een afbeelding opnieuw trekt om een ​​bepaalde structuur of afwijking te lokaliseren.

Een betere manier om ziekteprogressie te voorspellen

Het uiteindelijke doel is een nauwkeuriger begrip van de ziektetoestand van een patiënt. "Als je een biopsie neemt, je wilt de beeldkenmerken achterhalen en wat ze je vertellen over ziekteprogressie, ' zei Sarder.

Hij legde uit dat bijvoorbeeld, een donkerder rood gebied op een afbeelding van de glomerulus in de nier, waar afvalstoffen uit het bloed worden gefilterd, duidt op sclerose, wat erop kan wijzen dat de ziekte is gevorderd. Hoe nauwkeuriger de grenzen van die gebieden kunnen worden bepaald, hoe beter men begrijpt in welk stadium van de ziekte de patiënt zich bevindt en hoe deze in de toekomst kan evolueren.

"Het systeem presteert elke keer beter, "Lutnick zei, "dus de belasting van de mens die de machine bedient, wordt bij elke iteratie verminderd. Elke keer dat het individu een grens op een monster opnieuw trekt, het systeem leert. belangrijk, deze interactie stelt de mens in staat om de zwakke punten van de machine te begrijpen terwijl deze leert."