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.

L'outil logiciel neuf emploie l'AI pour identifier des cellules cancéreuses des images digitales de pathologie

Les chercheurs du sud-ouest d'UT ont développé un outil logiciel qui emploie l'artificial intelligence d'identifier des cellules cancéreuses des images digitales de pathologie - donnant à des cliniciens une voie puissante de prévoir des résultats patients.

La distribution spatiale de différents types de cellules peut indiquer le modèle de croissance d'un cancer, sa relation avec le micro-environnement environnant, et la réaction immunitaire du fuselage. Mais le procédé de recenser manuellement toutes les cellules dans un guide de pathologie est extrêmement de main-d'oeuvre et sujet aux erreurs.

Car il y a habituellement des millions de cellules dans un prélèvement de tissu, un pathologiste peut seulement analyser tant de guides dans un jour. Pour effectuer un diagnostic, les pathologistes examinent habituellement seulement plusieurs régions « représentatives » en détail, plutôt que le guide de totalité. Cependant, quelques petits groupes importants pourraient être manqués par cette approche. »

M. Guanghua « Andy » Xiao, auteur correspondant d'une étude publiée dans EBioMedicine et professeur de population et des sciences de caractéristiques à UT du sud-ouest

L'esprit humain, M. Xiao ajouté, n'est pas bon pour capter les configurations morphologiques subtiles. Par conséquent, un défi technique important en étudiant systématiquement le micro-environnement de tumeur est comment classifier automatiquement différents types de cellules et mesurer leurs distributions spatiales, il a dit.

L'algorithme d'AI que le M. Xiao et son équipe développés, ConvPath appelé, surmonte ces obstacles à l'aide de l'AI de classifier des types de cellules des images de pathologie de cancer de poumon.

Voici comment cela fonctionne : L'algorithme de ConvPath peut « regarder » des cellules et recenser leurs types basés sur leur apparence dans les images de pathologie utilisant un algorithme d'AI qui apprend des pathologistes humains. Cet algorithme convertit effectivement une image de pathologie en « plan » ce des étalages les distributions et les interactions spatiales des cellules tumorales, des cellules stromales (c.-à-d., les cellules de tissu conjonctif), et des lymphocytes (c.-à-d., les globules blancs) en tissu tumoral.

Si le puits de boîtier de cellules tumorales ensemble ou l'écart dans les ganglions lymphatiques de stromal est un facteur indiquant la réaction immunitaire du fuselage. Ainsi sachant que l'information peut aider des médecins à personnaliser des plans de traitement et à indiquer exactement la bonne immunothérapie.

Éventuel, les pathologistes d'aides d'algorithme obtiennent l'analyse la plus précise de cellule cancéreuse - d'une voie beaucoup plus rapide.

« Il est long et difficile que les pathologistes localisent très des régions de petite tumeur dans des images de tissu, ainsi ceci pourrait grand réduire le temps que les pathologistes doivent passer sur chaque image, » a dit M. Xiao, qui également a une affectation dans le service de côte de Lyda de la bio-informatique et est un membre du centre de recherche biomédicale quantitatif (QBRC) et du centre de lutte contre le cancer de Harold C. Simmons Comprehensive à UTSW.

Le logiciel de ConvPath - qui comporte la segmentation d'image, profondément apprendre, et des algorithmes d'extraction de caractéristique - est publiquement accessible chez https://qbrc.swmed.edu/projects/cnn/.

Source:
Journal reference:

Wang, S., et al. (2019) ConvPath: A software tool for lung adenocarcinoma digital pathological image analysis aided by a convolutional neural network. EBioMedicine. doi.org/10.1016/j.ebiom.2019.10.033.