罕見疾病通常難以診斷，預測最佳治療方案對臨床醫(yī)生來說具有挑戰(zhàn)性。美國布萊根婦女醫(yī)院研究人員開發(fā)出一種深度學習算法，可以讓人工智能(AI)自學病理特征，在大型病理圖像存儲庫中找到類似的病例。這種被稱為SISH(組織學自我監(jiān)督圖像搜索)的新工具就像一個病理圖像搜索引擎，具有許多潛在的應用，包括識別罕見疾病、幫助臨床醫(yī)生確定哪些患者可能對類似療法產(chǎn)生反應。相關論文發(fā)表在最近的《自然·生物醫(yī)學工程》上。

研究表明，該系統(tǒng)可幫助診斷罕見疾病并找到具有相似形態(tài)模式的病例，而無需手動注釋和查找大型數(shù)據(jù)集。該系統(tǒng)具有改善病理學訓練、區(qū)分疾病亞型、腫瘤識別和罕見形態(tài)識別的潛力。

現(xiàn)代電子數(shù)據(jù)庫可存儲大量的數(shù)字記錄和參考圖像，尤其是在病理學方面的全幻燈片圖像 (WSI)。但每個WSI就有千兆像素，且?guī)熘袌D像數(shù)量不斷增加，使檢索緩慢而復雜。因此，可擴展性仍然是有效使用的障礙。

為了解決這個問題，研究人員開發(fā)了SISH，它可以自學，無論數(shù)據(jù)庫大小如何，都能以恒定的速度找到病理學中具有相似特征的病例。

研究人員測試了SISH檢索常見和罕見癌癥的可解釋疾病亞型信息的速度和能力，成功地從超過22000例患者病例、超過50種不同疾病和十幾個解剖部位的數(shù)萬張WSI的數(shù)據(jù)庫中快速準確地檢索到圖像。在許多情況下，檢索速度都優(yōu)于其他方法，包括疾病亞型檢索，尤其是當圖像數(shù)據(jù)庫規(guī)模擴大到數(shù)千張圖像時。即使存儲庫規(guī)模擴大，SISH仍能保持恒定的搜索速度。

總體而言，這種AI算法展示了有效檢索圖像、診斷罕見疾病類型的能力，以及作為搜索引擎識別可能與診斷相關的某些圖像區(qū)域的能力，有望極大促進未來的疾病診斷、預后和分析。

研究人員相信，隨著圖像數(shù)據(jù)庫的規(guī)模不斷擴大，SISH有助于更容易地識別疾病。該領域的一個重要方向是多模式病例檢索，其中涉及聯(lián)合使用病理學、放射學、基因組和電子病歷數(shù)據(jù)來查找類似的患者病例。(科技日報記者 張夢然)