Les images valent peut-être mille mots, mais avec des images médicales, C'est un euphémisme. Les images numériques des biopsies sont particulièrement précieuses pour diagnostiquer et suivre la progression de certaines maladies, comme les maladies rénales chroniques et le cancer.

Des outils de calcul appelés réseaux de neurones, qui se concentrent sur la reconnaissance de formes complexes, sont bien adaptés à de telles applications. Mais parce que l'apprentissage automatique est si complexe, les professionnels de la santé comptent généralement sur les ingénieurs informaticiens pour « former » ou modifier les réseaux de neurones afin d'annoter ou d'interpréter correctement les images médicales.

Maintenant, Des chercheurs de l'Université de Buffalo ont développé un outil qui permet aux professionnels de la santé d'analyser des images sans expertise en ingénierie. L'outil et les données d'image qui ont été utilisées pour son développement sont accessibles au public à l'adresse :https://github.com/SarderLab/H-AI-L

La technique a été décrite dans un article publié dans Nature Machine Intelligence le 11 février. Devrait être applicable pour numériser les images médicales de tout organe, les chercheurs ont démontré l'outil avec des images histologiques d'une maladie rénale chronique et des images de résonance magnétique de la prostate humaine.

"Nous avons créé un système automatique, outil de segmentation human-in-the-loop pour les pathologistes et les radiologues, " dit Pinaki Sarder, Doctorat., auteur correspondant et senior, et professeur adjoint au département de pathologie et de sciences anatomiques de la Jacobs School of Medicine and Biomedical Sciences de l'UB. L'auteur principal de l'article est Brendon Lutnick, doctorant à la Jacobs School travaillant sur sa thèse de doctorat sous la direction de Sarder.

Interface intuitive

Conçu avec ce que les chercheurs appellent une interface intuitive, l'outil améliore automatiquement l'annotation et la segmentation des images médicales en fonction de ce qu'il « apprend » de la façon dont l'utilisateur humain interagit avec le système.

"Avec notre système, vous n'avez pas besoin de connaître le machine learning, " a déclaré Sarder. " Désormais, les professionnels de la santé peuvent effectuer eux-mêmes l'annotation de la structure.

"La technique permet aux professionnels de la santé pour la première fois d'utiliser leurs propres outils familiers, comme une visionneuse de diapositives entières couramment utilisée pour l'annotation d'images, sans se perdre dans la traduction du jargon du machine learning, " il a dit.

Lutnick a expliqué que le système est conçu pour améliorer ses performances car il est "formé" sur le même ensemble de données. "Vous voulez l'entraîner sur votre propre jeu de données de manière itérative, " a-t-il expliqué. " Cela optimise la charge de travail de l'annotateur expert car le système devient plus efficace à chaque fois que vous l'utilisez. "

Le système s'améliore de manière itérative, essentiellement apprendre chaque fois que le professionnel de la santé redessine une limite sur une image pour identifier une structure ou une anomalie particulière.

Une meilleure façon de prédire la progression de la maladie

Le but ultime est une compréhension plus précise de l'état de la maladie d'un patient. « Quand vous faites une biopsie, vous voulez comprendre les caractéristiques de l'image et ce qu'elles vous disent sur la progression de la maladie, " dit Sarder.

Il a expliqué que, par exemple, une zone rouge plus foncée sur une image du glomérule dans le rein, où les déchets sont filtrés du sang, indique la sclérose, ce qui peut indiquer que la maladie a progressé. Plus les limites de ces zones peuvent être définies avec précision, meilleure est la compréhension du stade de la maladie dans lequel se trouve le patient et de son évolution future.

"Le système fonctionne mieux à chaque fois, " Lutnick a dit, « ainsi la charge de l'homme qui fait fonctionner la machine est réduite à chaque itération. Chaque fois que l'individu redessine une limite sur un échantillon, le système apprend. Surtout, cette interaction permet à l'humain de comprendre les faiblesses de la machine au fur et à mesure de son apprentissage."