Najnowsze trendy i zmiany paradygmatów w branży patologii cyfrowej

W ostatnim czasie klasyczne, manualnie kodowane algorytmy zostały zastąpione metodami uczenia głębokiego, zamiast tradycyjnego oprogramowania instalowanego lokalnie, zwiększyła się oferta oprogramowania jako usługi dostępnej przez przeglądarkę internetową, a co za tym idzie − możliwość analizy danych i obrazów opartej na chmurze. Ponadto coraz więcej programów do analizy obrazów patologicznych funkcjonuje jako przyjazne dla użytkownika systemy wspomagania decyzji, a nie jako samodzielnie funkcjonujące narzędzia, w których pracę nie można ingerować.

Sztuczna inteligencja już od jakiegoś czasu wspomaga różne dziedziny medyczne. Wraz z jej rosnącą akceptacją w środowisku patologów i zastosowaniem metod głębokiego uczenia do rozwiązania problemów patologicznych, nowe firmy technologiczne pojawiają się na rynku jak grzyby po deszczu i zajmują niszę patologii cyfrowej. Problemy diagnostyczne w patologii, w porównaniu z innymi dziedzinami medycyny, są znacznie bardziej wielowymiarowe, co daje ogromne możliwości wykorzystania modeli uczenia głębokiego.

Modele te znalazły już zastosowanie w: automatycznym wykrywaniu zmian sklerotycznych w kłębuszkach nerkowych (1), wykrywaniu zapalenia żołądka wywołanego przez Helicobacter pylori (2), kwantyfikacji stłuszczenia i zwłóknienia wątroby (3, 4), kwantyfikacji biomarkerów tkankowych wykrywanych za pomocą immunohistochemii (5, 6) i barwień specjalistycznych (7), kwantyfikacji zmian mięśniowych (8) i wielu, wielu innych.

Uczenie głębokie jest potężną technologią, która dla użytkowników bez doświadczenia w analizie obrazu (np. patologów i naukowców nauk przyrodniczych) jest często zaskakująco prosta w użyciu. Aktualnie na rynku dostępne są programy bazujące na sztucznej inteligencji, które są bardziej intuicyjne i prostsze w użyciu niż klasyczne metody analizy obrazu.

Interfejs do anotacji struktur patologicznych, które chcemy wykryć w zeskanowanych preparatach mikroskopowych i trenowania modeli uczenia głębokiego, jest przyjazny dla użytkownika i prostszy niż manualne dopasowywanie parametrów w klasycznych algorytmach. W uczeniu głębokim, w celu wytrenowania modelu użytkownik anotuje przykłady struktur, które są później automatycznie wykrywane przez model na innych obrazach preparatów mikroskopowych tego samego typu. Im więcej przykładów użytkownik poda modelowi do treningu, tym lepsze będą rezultaty.