Imagens podem valer mais que mil palavras, mas com imagens médicas, isso é um eufemismo. Imagens digitais de biópsias são especialmente valiosas no diagnóstico e acompanhamento da progressão de certas doenças, como doença renal crônica e câncer.

Ferramentas computacionais chamadas redes neurais, que se concentram no reconhecimento de padrões complexos, são adequados para tais aplicações. Mas, como o aprendizado de máquina é tão complexo, profissionais médicos geralmente contam com engenheiros de computação para "treinar" ou modificar redes neurais para anotar ou interpretar imagens médicas de maneira adequada.

Agora, Os pesquisadores da University at Buffalo desenvolveram uma ferramenta que permite que profissionais médicos analisem imagens sem conhecimento de engenharia. A ferramenta e os dados da imagem que foram usados ​​para seu desenvolvimento estão publicamente disponíveis em:https://github.com/SarderLab/H-AI-L

A técnica foi descrita em artigo publicado em Nature Machine Intelligence em 11 de fevereiro. Previsto para ser aplicável para digitalizar imagens médicas de qualquer órgão, os pesquisadores demonstraram a ferramenta com imagens histológicas de doenças renais crônicas e imagens de ressonância magnética da próstata humana.

"Nós criamos um sistema automático, ferramenta de segmentação human-in-the-loop para patologistas e radiologistas, "disse Pinaki Sarder, Ph.D., autor correspondente e sênior, e professor assistente do Departamento de Patologia e Ciências Anatômicas da Escola de Medicina e Ciências Biomédicas Jacobs da UB. O autor principal do artigo é Brendon Lutnick, um candidato a doutorado na Escola Jacobs trabalhando em sua pesquisa de dissertação sob a supervisão de Sarder.

Interface intuitiva

Projetado com o que os pesquisadores chamam de interface intuitiva, a ferramenta melhora automaticamente a anotação e a segmentação de imagens médicas com base no que "aprende" com a maneira como o usuário humano interage com o sistema.

"Com nosso sistema, você não precisa saber de aprendizado de máquina, "disse Sarder." Agora os profissionais médicos podem fazer anotações estruturadas por si próprios.

"A técnica capacita profissionais médicos pela primeira vez a usar suas próprias ferramentas familiares, como um visualizador de slide inteiro comumente usado para anotação de imagens, sem se perder na tradução do jargão do aprendizado de máquina, " ele disse.

Lutnick explicou que o sistema é projetado para melhorar seu desempenho, pois é "treinado" no mesmo conjunto de dados. "Você deseja treiná-lo em seu próprio conjunto de dados iterativamente, "ele explicou." Isso otimiza a carga de trabalho do anotador especialista, pois o sistema se torna mais eficiente cada vez que você o usa. "

O sistema melhora iterativamente, essencialmente aprendendo cada vez que o profissional médico redesenha um limite em uma imagem para apontar uma estrutura particular ou anormalidade.

A melhor maneira de prever a progressão da doença

O objetivo final é uma compreensão mais precisa do estado de doença do paciente. "Quando você faz uma biópsia, você quer descobrir as características da imagem e o que elas dizem sobre a progressão da doença, "disse Sarder.

Ele explicou que, por exemplo, uma área vermelha mais escura em uma imagem do glomérulo no rim, onde os resíduos são filtrados do sangue, indica esclerose, o que pode sinalizar que a doença progrediu. Quanto mais precisamente os limites dessas áreas puderem ser definidos, melhor será a compreensão do estágio da doença em que o paciente se encontra e como ela pode progredir no futuro.

"O sistema tem um desempenho melhor a cada vez, "Lutnick disse, "assim, o fardo do humano operando a máquina é reduzido a cada iteração. Cada vez que o indivíduo redesenha um limite em uma amostra, o sistema está aprendendo. Mais importante, essa interação permite que o ser humano entenda as fraquezas da máquina conforme ela aprende. "