Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A aproximação da aprendizagem de máquina pode indicar riscos para a saúde nas gravidezes futuras

Depois que um bebê é nascido, os doutores examinam às vezes a placenta--o órgão que liga a matriz ao bebê--para as características que indicam riscos para a saúde em todas as gravidezes futuras.

Infelizmente, este é um processo demorado que deva ser executado por um especialista, assim a maioria de placenta vai não-examinado após o nascimento.

Uma equipe dos pesquisadores da universidade do Carnegie Mellon (CMU) e da universidade de Pittsburgh que o centro médico (UPMC) relata a revelação de uma aproximação da aprendizagem de máquina para examinar corrediças da placenta no jornal americano da patologia, publicado por Elsevier, assim que mais mulheres pode ser informado de seus riscos para a saúde.

As placenta de uma razão são examinadas são procurar um tipo de lesões do vaso sanguíneo chamadas vasculopathy decidual (DV). Estes indicam que a matriz é em risco do preeclampsia--uma complicação que possa ser fatal à matriz e ao bebê--em algumas gravidezes futuras.

Uma vez que detectado, o preeclampsia pode ser tratado, tão lá é benefício considerável de identificar em risco matrizes antes que os sintomas apareçam.

Contudo, embora haja umas centenas de vasos sanguíneos em uma única corrediça, simplesmente uma embarcação doente é necessário indicar o risco.

Os patologistas treinam por anos para poder encontrar a doença nestas imagens, mas há tão muitas gravidezes que atravessam o sistema do hospital que não têm o tempo para inspeccionar cada placenta. Nossos patologistas das ajudas do algoritmo sabem que imagens devem focalizar sobre fazendo a varredura de uma imagem, encontrando vasos sanguíneos, e encontrando testes padrões dos vasos sanguíneos que identificam DV.”

Daniel Clymer, PhD, aluno, departamento da engenharia mecânica, universidade do Carnegie Mellon

A aprendizagem de máquina trabalha “treinando” o computador para reconhecer determinadas características em ficheiros de dados. Neste caso, o ficheiro de dados é uma imagem de uma fatia fina de uma amostra da placenta. Os pesquisadores mostram ao computador várias imagens e indicam se a placenta é doente ou saudável. Após o suficiente treinamento, o computador pode identificar lesões doentes no seus próprios.

É bastante difícil para um computador olhar simplesmente uma grande imagem e classificá-la, assim que a equipe introduziu uma aproximação nova com que o computador segue uma série de etapas para fazer a tarefa mais manejável.

Primeiramente, o computador detecta todos os vasos sanguíneos em uma imagem. Cada vaso sanguíneo pode então ser considerado individualmente, criando pacotes de dados menores para a análise. O computador então alcançará cada vaso sanguíneo e determinará se for julgado doente ou saudável.

Nesta fase, o algoritmo igualmente considera características da gravidez, tais como a idade gestacional, peso ao nascimento, e algumas circunstâncias que a matriz possa ter.

Se há algum vaso sanguíneo doente, então a imagem--e conseqüentemente a placenta--é marcado como doente. A equipe de UPMC forneceu as imagens de-identificadas da placenta treinando o algoritmo.

“Este algoritmo não está indo substituir muito em breve um patologista,” Dr. Clymer explicou. “O objetivo aqui é que este tipo de algoritmo pôde poder ajudar a acelerar o processo por regiões de embandeiramento da imagem onde o patologista deve tomar um olhar mais atento.”

“Esta é uma colaboração bonita entre a engenharia e a medicina porque cada um traz a experiência à tabela que, quando combinada, cria os resultados novos que podem ajudar tão muitos indivíduos,” investigadores principais adicionados Jonathan Cagan, PhD, e Philip LeDuc, PhD, professores da engenharia mecânica em CMU, Pittsburgh, PA, EUA.

“Porque os cuidados médicos abraçam cada vez mais o papel da inteligência artificial, é importante que os doutores partner cedo sobre com cientistas e coordenadores de computador de modo que nós possamos projectar e desenvolver as ferramentas do direito para que o trabalho impacte positivamente resultados pacientes,” co-autor notável Liron Pantanowitz, MBBCh, anteriormente vice-presidente para a informática da patologia em UPMC, Pittsburgh, PA, EUA.

“Esta parceria entre CMU e UPMC é um exemplo perfeito do que pode ser realizado quando este acontece.”

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.