Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Amélioration de la qualité de la représentation digitale de pathologie

Il y a un problème rudimentaire préoccupant le monde de pointe de la représentation digitale de pathologie.

L'édition : Même pendant que digital la pathologie rend des avances rapides mondiales--avec plus de médecins analysant des images de tissu sur les ordinateurs « intelligents » pour diagnostiquer des patients--il n'y a aucune norme fiable pour la préparation et la numérisation du tissu se glisse.

Cela signifie que des guides de mauvaise qualité entrent mélangée avec les guides clairs et précis, potentiellement embrouillant ou trompant un programme informatique essayant d'apprendre à ce que ressemble une cellule cancéreuse, par exemple.

Les chercheurs de l'université occidentale de réserve de cas jugent pour changer cela.

Le chercheur Anant Madabhushi et Andrew Janowczyk, un chargé de recherches de bio-ingénierie supérieur au centre de Madabhushi pour la représentation de calcul et la diagnose personnelle, ont développé un programme qu'ils disent assureront la qualité des images numériques étant employées pour des buts de diagnose et de recherches.

Les deux ont dévoilé leur outil neuf de contrôle de qualité dans l'édition la plus récente du tourillon de l'informatique clinique d'oncologie clinique et sont supportés par un de trois ans, la concession $1,2 millions de l'Institut national du cancer.

L'outil neuf comporte une suite de mesures et de classificateurs pour aider des usagers à marquer des images altérées et à aider à maintenir ceux qui aideront des techniciens et des médecins dans leurs diagnostics.

« L'idée est simple : évaluez les images numériques et déterminez quels guides sont dignes pour l'analyse par un ordinateur et ce qui ne sont pas, » a dit Madabhushi, professeur de F. Alex Nason II de génie biomédical à l'école de cas du bureau d'études. « C'est important en ce moment car la pathologie digitale est décollage mondial et pose du travail préparatoire pour plus d'usage d'AI (l'artificial intelligence) pour des images de interrogation de tissu. »

L'application est « source ouverte »-- ou libérez pour que n'importe qui emploie, pour modifie et s'étendre. Elle peut être consultée par un dépôt en ligne. Elle a été développée par Janowczyk il y a environ 18 mois après découverte ce qu'il a pensé pour être un numéro étonnant des guides de mauvaise qualité de l'atlas réputé de génome de cancer, maison à plus de 30.000 guides de tissu des échantillons de cancer.

Janowczyk a dit qu'environ 10 pour cent des 800 guides témoin de cancer qu'il a observés ont eu des problèmes, s'échelonnant d'une fissure dans le guide ou d'un bulle d'air entre les couches du guide.

« Broutement de couteau » parmi beaucoup d'imperfections de guide

Pour apprécier la valeur--et risque--en comptant sur hautement le technique, sec-ordinateur, diagnostic de cancer d'imagerie numérique, il est utile de comprendre les opérations principales y en arrivant.

Tandis que ces approches de pointe peuvent traiter des milliers d'images par seconde, elles se fondent sur des images numériques du même genre de guides de tissu que les pathologistes avaient effectués pour des rétablissements. Et ces guides, une fois vus par un microscope, ont plus d'imperfections que vous pourriez penser.

Pour produire un guide, le pathologiste premier moissonne une case de tissu d'une dissection d'organe, met une petite part du tissu sur une pièce de glace qui composera un guide. Le tissu est alors souillé pour indiquer ses configurations cellulaires. Une deuxième plus petite pièce de glace est alors mise sur le prélèvement de tissu pour le protéger.

La qualité peut être compromise dans la préparation de guide par des bulles d'air, des prélèvements et des coupures en lambeaux (« broutement de couteau » appelé) dans le tissu ou même pendant le procédé de numérisation qui peut introduire des éditions de blurriness et de brilliance.

« Un microscope ne peut pas se concentrer sur les endroits qui ont déformé la qualité, » a dit Janowczyk, qui est également un bioinformatician à l'institut suisse de la bio-informatique. (La bio-informatique est la science du rassemblement et la caractéristique biologique complexe analysante telle que codes génétiques ou, dans ce cas, des images chiffrées de tissu glisse.) « Et cela m'a pris des jours pour passer par tous ces guides manuellement pour recenser et retirer les mauvais. C'était alors que j'ai réalisé nous avons eu besoin d'une voie plus rapide et robotisée de s'assurer que nous avons eu seulement les bonnes images de guide de tissu. »

Le résultat, Madabhushi a dit, mouvements vers une « démocratisation vraie de la technologie de l'image » pour de meilleurs diagnostics de cancer et d'autres maladies.

Associés sur le projet neuf--« Histo-CONTRÔLE DE LA QUALITÉ appelé, » pour la « histologie, » l'étude de la structure microscopique des tissus, et le « contrôle qualité »--comprenez les chercheurs des centres hospitaliers universitaires, l'École de Médecine de Perelman à l'Université de Pennsylvanie et le Louis charge le centre médical de Cleveland VA.

Madabhushi a déterminé le CCIPD à la réserve occidentale de cas en 2012. Le laboratoire, qui comprend maintenant environ 50 chercheurs, est allé bien à un chef global dans le dépistage, le diagnostic et la caractérisation des cancers variés et d'autres maladies en maillant l'imagerie médicale, l'apprentissage automatique et l'artificial intelligence.

Certains de ses travaux plus récents, en collaboration avec d'autres de l'université et de l'Université de Yale de New York, avaient employé l'AI pour prévoir quels malades du cancer de poumon tireraient bénéfice de la chimiothérapie d'appoint basée hors des images de guide de tissu. Cet avancement a été nommé par le magasin de prévention en tant qu'une des 10 découvertes médicales principales de 2018.