in

Le cadre a pu classer avec précision différentes tumeurs pulmonaires


La pathologie numérique est un domaine émergent qui traite principalement des images de microscopie dérivées de biopsies de people. En raison de la haute résolution. dépassant généralement un gigaoctet (Gb). Par conséquent, les méthodes d’analyse d’image typiques ne peuvent pas les gérer efficacement.

Voyant un besoin, des chercheurs de la Boston College Faculty of Drugs (BUSM) ont développé un nouvel algorithme d’intelligence artificielle (IA) basé sur un cadre appelé représentation apprenant à classer le sous-sort de cancer du poumon sur la base d’images de tissus pulmonaires provenant de tumeurs réséquées.

“Nous développons de nouvelles méthodes basées sur l’IA qui peuvent apporter de l’efficacité à l’évaluation des données de pathologie numérique. La pratique de la pathologie est en pleine révolution numérique. Des méthodes informatiques sont en cours de développement pour aider le pathologiste specialist. De furthermore, dans les endroits où il y a aucun specialist, de telles méthodes et systems ne peuvent directement aider au diagnostic », explique l’auteur correspondant Vijaya B. Kolachalama, PhD, FAHA, professeur adjoint de médecine et d’informatique à BUSM.

“Traduire les dernières avancées de l’informatique en pathologie numérique n’est pas straightforward et il est nécessaire de créer des méthodes d’IA capables de s’attaquer exclusivement aux problèmes de la pathologie numérique”, explique l’auteur co-correspondant Jennifer Beane, PhD, professeure agrégée de médecine à BUSM.

ils ont ensuite développé un modèle qui pourrait faire la difference entre l’adénocarcinome pulmonaire, le carcinome épidermoïde pulmonaire et les tissus non cancéreux adjacents. Au cours d’une série d’études et d’analyses de sensibilité, ils ont montré que leur cadre GTP surpasse les méthodes de pointe actuelles utilisées pour la classification d’images de diapositives entières.

Ils croient que leur cadre d’apprentissage automatique a des implications au-delà de la pathologie numérique. “Les chercheurs intéressés par le développement d’approches de vision par ordinateur pour d’autres programs du monde réel peuvent également trouver notre approche utile”, ont-ils ajouté.

Ces résultats apparaissent en ligne dans la revue IEEE Transactions on Healthcare Imaging.

Le financement de cette étude a été assuré par des subventions des Countrywide Institutes of Health (R21-CA253498, R01-HL159620), de Johnson & Johnson Enterprise Innovation, Inc. de l’American Coronary heart Association (20SFRN35460031), du Karen Toffler Charitable Belief et du National Fondation des sciences (1551572, 1838193)