Bilder kan säga mer än tusen ord men med medicinska bilder, det är en underdrift. Digitala bilder av biopsier är särskilt värdefulla för att diagnostisera och spåra utvecklingen av vissa sjukdomar, såsom kronisk njursjukdom och cancer.

Beräkningsverktyg som kallas neurala nätverk, som fokuserar på komplext mönsterigenkänning, är väl lämpade för sådana applikationer. Men eftersom maskininlärning är så komplext, Läkare förlitar sig vanligtvis på datoringenjörer för att "träna" eller modifiera neurala nätverk för att korrekt kommentera eller tolka medicinska bilder.

Nu, Forskare från University at Buffalo har utvecklat ett verktyg som låter läkare analysera bilder utan teknisk expertis. Verktyget och bilddata som användes för dess utveckling är allmänt tillgängliga på:https://github.com/SarderLab/H-AI-L

Tekniken beskrevs i en tidning publicerad i Nature Machine Intelligence den 11 februari. Förväntas vara tillämplig för att digitalisera medicinska bilder av vilket organ som helst, forskarna demonstrerade verktyget med histologibilder av kronisk njursjukdom och magnetiska resonansbilder av den mänskliga prostatakörteln.

"Vi har skapat en automatisk, Human-in-the-loop segmenteringsverktyg för patologer och radiologer, sa Pinaki Sarder, Ph.D., motsvarande och senior författare, och biträdande professor vid Institutionen för patologi och anatomiska vetenskaper vid Jacobs School of Medicine and Biomedical Sciences vid UB. Tidningens huvudförfattare är Brendon Lutnick, en doktorand vid Jacobsskolan som arbetar med sin avhandlingsforskning under Sarders handledning.

Intuitivt gränssnitt

Designad med vad forskarna kallar ett intuitivt gränssnitt, verktyget förbättrar automatiskt anteckningar och segmentering av medicinska bilder baserat på vad det "lär sig" av hur den mänskliga användaren interagerar med systemet.

"Med vårt system, du behöver inte kunna någon maskininlärning, ", sa Sarder. "Nu kan läkare göra strukturkommentarer själva.

"Tekniken ger medicinsk personal för första gången möjlighet att använda sina egna välbekanta verktyg, till exempel en vanlig bildvisare för bildkommentarer, utan att gå vilse i översättningen av maskininlärningsjargong, " han sa.

Lutnick förklarade att systemet är utformat för att förbättra dess prestanda eftersom det "tränas" på samma dataset. "Du vill träna det på din egen datauppsättning iterativt, " förklarade han. "Detta optimerar arbetsbelastningen för expertkommentaren eftersom systemet blir mer effektivt varje gång du använder det."

Systemet förbättras iterativt, i huvudsak lära sig varje gång läkaren drar om en gräns för en bild för att peka ut en viss struktur eller abnormitet.

Ett bättre sätt att förutsäga sjukdomsprogression

Det slutliga målet är en mer exakt förståelse av en patients sjukdomstillstånd. "När du tar en biopsi, du vill ta reda på bilddragen och vad de säger dig om sjukdomsprogression, sa Sarder.

Han förklarade att till exempel, ett mörkare rött område på en bild av glomerulus i njuren, där avfallsprodukter filtreras från blod, indikerar skleros, vilket kan signalera att sjukdomen har utvecklats. Ju mer exakt gränserna för dessa områden kan definieras, desto bättre förståelse för vilket sjukdomsstadium patienten befinner sig i och hur den kan utvecklas i framtiden.

"Systemet fungerar bättre varje gång, " sa Lutnick, "så bördan för människan som använder maskinen minskas med varje iteration. Varje gång individen ritar om en gräns på ett prov, systemet lär sig. Viktigt, denna interaktion gör det möjligt för människan att förstå maskinens svagheter när den lär sig."