
Patoloji, modern tıbbın ve özellikle kanser bakımının temel taşıdır. Patologun lam ve lamel üzerindeki teşhisi, klinik ve farmasötik araştırmaların ve daha da önemlisi hastanın nasıl tedavi edileceğine dair kararın temelidir. Bununla birlikte, kanserin teşhisi, derecelendirilmesi ve evrelenmesi için standart mikroskopi uygulaması, bir yüzyıl boyunca neredeyse değişmeden kalmıştır. Radyoloji gibi diğer tıbbi disiplinler, uzun bir araştırma geçmişine ve hesaplama yaklaşımlarının klinik uygulamasına sahipken, patoloji dijital devrimin arka planında kalmıştır. Sadece son yıllarda dijital patoloji, mikroskopların dijital slayt tarayıcıları kullanılarak tüm slayt görüntülerini (WSI) dijitalleştirildiği potansiyel yeni bir bakım standardı olarak ortaya çıkmıştır. Tarayıcı teknolojileri daha güvenilir hale geldikçe ve WSI'ler giderek daha fazla sayıda mevcut oldukça, bilgisayar destekli tanılamayı kolaylaştırmak ve patologlar için dijital bir iş akışı sağlamak için hesaplama patolojisi alanı ortaya çıkmıştır.
Bu tanısal karar destek araçları, patologların sonuçta daha iyi hasta bakımı sağlamak için verimliliğini ve doğruluğunu güçlendirmek üzere geliştirilebilir. Geleneksel olarak, tıbbi görüntü analizi için karar destek sistemlerinde kullanılan öngörücü modeller, uzman bilgisine dayalı olarak manuel olarak tasarlanmış özellikler ortaya çıkarmayı amaçlamaktadır. Bu yaklaşımlar kendiliğinden bu alana özgüdür ve performansları genel olarak klinik uygulamalar için yeterli değildir. Bu yaklaşım, son yıllarda, yüksek kapasiteli derin sinir ağı modellerinin insan performansını aştığı bildirildiği ImageNet üzerinde görüntü sınıflandırma ve kategorilendirme gibi görevlerinin çözümünde derin öğrenmenin büyük başarısına ve ilerlemesine dayanarak değiştirildi. Tıbbi görüntü analizi alanı, derin öğrenmenin yaygın bir şekilde uygulandığını ve bazı durumlarda teşhis görevleri için klinik etkinin elde edilebileceğini göstermiştir.
Hesaplamalı patoloji, diğer alanlarla karşılaştırıldığında, patoloji veri üretiminin doğası ile ilgili ek zorluklarla karşılaşması normaldir. Büyük açıklamalı veri kümelerinin olmaması, diğer alanlarla karşılaştırılınca ciddi bir sorundur. Bu kısmen dijital patolojinin yenilikçiliğinden ve mikroskopların dijitalleştirilmesiyle ilişkili yüksek maliyetten kaynaklanmaktadır. Ayrıca, patoloji görüntüleri çok büyüktür: 20 × büyütmede (0,5 um piksel -1) taranan lamlar birkaç gigapikselden görüntü dosyaları üretir; yaklaşık 470 WSI, tüm ImageNet veri kümesiyle kabaca aynı sayıda piksel içerir. Patoloji veri kümelerinin özelliğinden yararlanmak, hesaplamalı patolojideki çabaların çoğunu, bir WSI içindeki küçük karoları sınıflandırmak için denetimli öğrenmeyi uygulamak için yönlendirmiştir. Bu genellikle uzman patologlar tarafından piksel düzeyinde kapsamlı ek açıklamalar gerektirir. Bu nedenlerden dolayı, son teknoloji patoloji veri kümeleri küçüktür ve yoğun bir şekilde düzenlenmiştir.
Eşi Görülmemiş Bir Sınıflandırma
Meme kanseri metastazı tespiti için CAMELYON16 girişimi, toplam 400 ayrıntılı olarak açıklanmamış WSI ile alandaki en büyük etiketli veri kümelerinden birini içerir. Patoloji için karar destek sistemlerinin geliştirilmesi ve bunların klinik uygulamalara yerleştirilmesi, büyük ölçüde manuel açıklamalı veri kümelerine duyulan gereksinim nedeniyle geri planda kalmıştır. Bu sorunun üstesinden gelmek için araştırmacılar, eğitim için etiket olarak yalnızca bildirilen tanıları kullanan, böylece pahalı ve zaman alıcı piksel bazlı manuel ek açıklamalardan kaçınan çoklu örnekle öğrenme tabanlı derin öğrenme sistemi sundular. Bu çerçeveyi 15,187 hastadan alınan 44,732 tam slayt görüntüsü veri seti üzerinde herhangi bir veri kürasyonu olmadan ölçekte değerlendirdiler. Prostat kanseri, bazal hücreli karsinom ve aksiller lenf nodu meme kanseri metastazları üzerinde yapılan testler, tüm kanser tipleri için 0.98'in üstündeki eğrinin altındaki derecelerle sonuçlandı. Klinik uygulaması, patologların %100 duyarlılığı korurken slaytların %65-75'ini kullanmamayı tercih etmesine izin verecektir.
Araştırmacılar, elde ettikleri sonuçlarla, bu sistemin hesaplamalı karar destek sistemlerinin klinik uygulamalarda konuşlandırılması için temel oluşturan, eşi görülmemiş ölçekte doğru sınıflandırma modelleri geliştirme yeteneğine sahip olduğuna inanmaktadır.
Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019;25(8):1301–1309. doi:10.1038/s41591-019-0508-1
+ Tüm Referansları Göster