Dijital patoloji, esas olarak hasta biyopsilerinden elde edilen mikroskopi görüntüleri ile ilgilenen yeni bir alandır. Yüksek çözünürlük nedeniyle, bu tam slayt görüntülerinin (WSI) çoğu, genellikle bir gigabaytı (Gb) aşan büyük bir boyuta sahiptir. Bu nedenle, tipik görüntü analizi yöntemleri bunları verimli bir şekilde ele alamaz.

Bir ihtiyaç gören Boston Üniversitesi Tıp Fakültesi’nden (BUSM) araştırmacılar, rezeke edilmiş tümörlerden alınan akciğer dokusu görüntülerine dayanarak akciğer kanseri alt tipini sınıflandırmak için temsili öğrenme adı verilen bir çerçeveye dayanan yeni bir yapay zeka (AI) algoritması geliştirdiler.

“Dijital patoloji verilerinin değerlendirilmesine verimlilik getirebilecek yeni yapay zeka tabanlı yöntemler geliştiriyoruz. Patoloji pratiği dijital bir devrimin ortasındadır. Uzman patoloğa yardımcı olmak için bilgisayar tabanlı yöntemler geliştirilmektedir. Ayrıca, uzmanın bulunmadığı yerlerde, bu tür yöntemler ve teknolojiler doğrudan tanıya yardımcı olabilir, “diye açıklıyor ilgili yazar Vijaya B. Kolachalama, PhD, FAHA, BUSM’de tıp ve bilgisayar bilimi yardımcı doçenti.

Araştırmacılar, patoloji görüntülerinin grafik temsilinden ve tüm slayt görüntüsü üzerinde analiz yapmak için transformatör mimarilerinin hesaplama verimliliğinden yararlanan Grafik Transformatörü (GTP) adı verilen dijital patoloji için grafik tabanlı bir görüş transformatörü geliştirdiler.

“Bilgisayar bilimindeki en son gelişmeleri dijital patolojiye çevirmek kolay değildir ve yalnızca dijital patolojideki sorunları çözebilecek yapay zeka yöntemlerinin oluşturulmasına ihtiyaç vardır” diye açıklıyor ortak yazar Jennifer Beane, PhD, BUSM’de tıp profesörü.

Halka açık üç ulusal kohorttan tüm slayt görüntülerini ve klinik verileri kullanarak, akciğer adenokarsinomu, akciğer skuamöz hücreli karsinomu ve bitişik kanserli olmayan dokuyu ayırt edebilecek bir model geliştirdiler.

Bir dizi çalışma ve duyarlılık analizinden sonra, GTP çerçevelerinin tüm slayt görüntüsü sınıflandırması için kullanılan mevcut son teknoloji yöntemlerden daha iyi performans gösterdiğini gösterdiler.

Makine öğrenimi çerçevelerinin dijital patolojinin ötesinde etkileri olduğuna inanıyorlar.

“Diğer gerçek dünya uygulamaları için bilgisayarla görme yaklaşımlarının geliştirilmesiyle ilgilenen araştırmacılar da yaklaşımımızı yararlı bulabilirler” diye eklediler.

Kaynak ve devamına Buradan ulaşabilirsin.