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'approche d'apprentissage automatique peut indiquer des risques pour la santé dans de futures grossesses

Après qu'un bébé soit né, les médecins examinent parfois le placenta--l'organe qui lie la mère au bébé--pour les caractéristiques qui indiquent des risques pour la santé dans toutes les futures grossesses.

Malheureusement, c'est un procédé long qui doit être exécuté par un spécialiste, ainsi la plupart des placentas vont non examiné après la naissance.

Une équipe de recherche d'université de Carnegie Mellon (CMU) et l'université du centre médical de Pittsburgh (UPMC) enregistrent le développement d'une approche d'apprentissage automatique pour examiner des guides de placenta dans le tourillon américain de la pathologie, publié par Elsevier, ainsi plus de femmes peuvent être au courant de leurs risques pour la santé.

Des placentas d'une raison sont examinés est de rechercher un type de vasculopathie decidual appelée de lésions de vaisseau sanguin (DV). Ceux-ci indiquent que la mère est en danger pour le preeclampsia--une complication qui peut être fatale à la mère et au bébé--dans toutes futures grossesses.

Une fois que trouvé, le preeclampsia peut être traité, tellement là est avantage considérable de recenser les mères à risque avant que les sympt40mes apparaissent.

Cependant, bien qu'il y ait des centaines de vaisseaux sanguins dans un guide unique, seulement un récipient malade est nécessaire pour indiquer le risque.

Les pathologistes s'exercent pendant des années pour pouvoir trouver la maladie dans ces images, mais il y a tant de grossesses passant par le système d'hôpital qu'ils n'ont pas le temps pour examiner chaque placenta. Nos pathologistes d'aides d'algorithme savent quelles images ils devraient orienter en circuit en balayant une image, en localisant des vaisseaux sanguins, et en trouvant des configurations des vaisseaux sanguins qui recensent DV. »

Daniel Clymer, PhD, ancienne élève, service de l'industrie mécanique, université de Carnegie Mellon

L'apprentissage automatique fonctionne à côté de « former » l'ordinateur pour identifier certaines caractéristiques dans des fichiers de données. Dans ce cas, le fichier de données est une image d'une part mince d'un échantillon de placenta. Les chercheurs montrent à l'ordinateur des images variées et indiquent si le placenta est malade ou sain. Après la formation suffisante, l'ordinateur peut recenser les lésions malades seule.

Il est tout à fait difficile que un ordinateur de regarder simplement une grande illustration et la classifie, ainsi l'équipe a introduit une approche nouvelle par dont l'ordinateur suit une suite d'opérations pour rendre la tâche plus maniable.

D'abord, l'ordinateur trouve tous les vaisseaux sanguins dans une image. Chaque vaisseau sanguin peut alors être considéré individuellement, produisant de plus petits paquets de caractéristiques pour l'analyse. L'ordinateur alors atteindra chaque vaisseau sanguin et déterminera s'il est considéré malade ou sain.

À ce stade, l'algorithme considère également des caractéristiques de la grossesse, telles que l'âge gestationnel, poids à la naissance, et toutes conditions que la mère pourrait avoir.

S'il y a des vaisseaux sanguins malades, puis l'illustration--et pour cette raison le placenta--est marqué comme malade. L'équipe d'UPMC a fourni les images De-recensées de placenta pour former l'algorithme.

« Cet algorithme ne va pas remonter un pathologiste n'importe quand bientôt, » M. Clymer a expliqué. « L'objectif ici est que ce type d'algorithme pourrait pouvoir aider à accélérer le procédé par des régions diminuantes de l'image où le pathologiste devrait jeter un oeil plus attentif. »

« C'est une belle collaboration entre le bureau d'études et le médicament car chacune porte des compétences à la table qui, une fois combinée, produit les découvertes nouvelles qui peuvent aider tant de personnes, » les principaux enquêteurs ajoutés Jonathan Cagan, PhD, et Philip LeDuc, PhD, professeurs de l'industrie mécanique à CMU, Pittsburgh, la PA, Etats-Unis.

« Car la santé embrasse de plus en plus le rôle de l'artificial intelligence, il est important que les médecins partner dès l'abord avec des informaticiens et des techniciens de sorte que nous puissions concevoir et développer les outils de droite pour que la fonction influence franchement des résultats patients, » co-auteur remarquable Liron Pantanowitz, MBBCh, ancien vice-président pour l'informatique de pathologie à UPMC, Pittsburgh, la PA, Etats-Unis.

« Ce partenariat entre CMU et UPMC est un parfait exemple de ce qui peut faire quand ceci se produit. »

Source:
Journal reference:

Clymer, D., et al. (2020) Decidual Vasculopathy Identification in Whole Slide Images Using Multiresolution Hierarchical Convolutional Neural Networks. The American Journal of Pathology. doi.org/10.1016/j.ajpath.2020.06.014.