Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

L'approccio di apprendimento automatico può indicare i rischi sanitari nelle gravidanze future

Dopo che un bambino nasce, medici a volte esaminano la placenta--l'organo che collega la madre al bambino--per le funzionalità che indicano i rischi sanitari in tutte le gravidanze future.

Purtroppo, questo è un trattamento che richiede tempo che deve essere eseguito da uno specialista, così la maggior parte delle placente va unexamined dopo la nascita.

Un gruppo dei ricercatori dalla Carnegie Mellon University (CMU) e l'università di centro medico di Pittsburgh (UPMC) riferiscono lo sviluppo di un approccio di apprendimento automatico per esaminare le diapositive della placenta nel giornale americano di patologia, pubblicato da Elsevier, in modo da più donne possono essere informati dei loro rischi sanitari.

Lle placente di una ragione sono esaminate è di cercare un tipo di lesioni del vaso sanguigno chiamate vasculopathy decidual (DV). Questi indicano che la madre è a rischio di preeclampsia--una complicazione che può essere interna alla madre ed al bambino--in qualsiasi gravidanze future.

Una volta che individuato, il preeclampsia può essere trattato, così là è considerevole vantaggio dall'identificazione delle madri a rischio prima che i sintomi compaiano.

Tuttavia, sebbene ci siano centinaia di vasi sanguigni in una singola diapositiva, solo un'imbarcazione malata è necessaria indicare il rischio.

I patologi si preparano per anni per potere trovare la malattia in queste immagini, ma ci sono tante gravidanze che passano tramite il sistema ospedaliero che non hanno tempo di ispezionare ogni placenta. I nostri patologi di guide di algoritmo conoscono quali immagini dovrebbero mettere a fuoco sopra scandendo un'immagine, individuando i vasi sanguigni e trovando i reticoli dei vasi sanguigni che identificano DV.„

Daniel Clymer, PhD, alunno, dipartimento di ingegneria meccanica, Carnegie Mellon University

L'apprendimento automatico funziona “preparando„ il computer per riconoscere determinate funzionalità in file di dati. In questo caso, il file di dati è un'immagine di una fetta sottile di campione della placenta. I ricercatori mostrano al computer le varie immagini ed indicano se la placenta è malata o sana. Dopo addestramento sufficiente, il computer può identificare le lesioni malate da sè.

È abbastanza difficile affinchè un computer esamini semplicemente una grande maschera e da classificarla, in modo dal gruppo ha introdotto un approccio novello con cui il computer segue una serie di punti per rendere il compito più trattabile.

In primo luogo, il computer individua tutti i vasi sanguigni in un'immagine. Ogni vaso sanguigno può poi essere considerato determinato, creando i più piccoli pacchetti di dati per l'analisi. Il computer poi accederà ad ogni vaso sanguigno e determinerà se è reputato malato o sano.

In questa fase, l'algoritmo egualmente considera le funzionalità della gravidanza, quale l'età gestazionale, peso alla nascita e qualsiasi circostanze che la madre potrebbe avere.

Se ci sono dei vasi sanguigni malati, poi la maschera--e quindi la placenta--è tracciato come malato. Il gruppo di UPMC ha fornito le immagini de-identificate della placenta per la formazione dell'algoritmo.

“Questo algoritmo non sta andando sostituire in qualunque momento un patologo presto,„ il Dott. Clymer ha spiegato. “Lo scopo qui è che questo tipo di algoritmo potrebbe potere contribuire ad accelerare il trattamento dalle regioni diminuenti dell'immagine dove il patologo dovrebbe catturare uno sguardo più attento.„

“Questa è una bella collaborazione fra assistenza tecnica e medicina poichè ciascuna porta la competenza alla tabella che, una volta combinata, crea i risultati novelli che possono aiutare tante persone,„ principali inquirenti aggiunti Jonathan Cagan, PhD e Philip LeDuc, il PhD, professori dell'ingegneria meccanica a CMU, Pittsburgh, il PA, U.S.A.

“Poichè la sanità sempre più abbraccia il ruolo di intelligenza artificiale, è importante che medici partner nella fase iniziale con gli informatici e gli ingegneri in moda da poterci progettare e sviluppare noi gli strumenti di destra affinchè il processo urtiamo positivamente i risultati pazienti,„ co-author celebre Liron Pantanowitz, MBBCh, precedentemente la presidenza vice per l'informatica di patologia a UPMC, Pittsburgh, il PA, U.S.A.

“Questa associazione fra CMU e UPMC è un esempio perfetto di che cosa può fare quando questo accade.„

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.