Interactive Whole Slide Images for RL-based Tumour Segmentation
Dit artikel stelt een end-to-end reinforcement learning-framework voor dat hele slide-afbeeldingen behandelt als hiërarchische multi-resolutieomgevingen, waardoor een agent sequentiële tumorsegmentatie kan uitvoeren via navigatie- en zoomacties, wat een vergelijkbare grove segmentatiekwaliteit bereikt als patch-gebaseerde methoden terwijl de inferentietijd aanzienlijk wordt verminderd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van medische diagnostiek onderzoeken pathologen weefselmonsters onder microscopen om ziekten zoals kanker te identificeren. Om dit digitaal te doen, gebruiken ze whole-slide images, wat enorme, hoog-resolutie scans zijn van volledige glazen objectdragers. Deze afbeeldingen zijn zo groot dat ze miljarden pixels bevatten, veel meer dan een computerscherm tegelijk kan weergeven. Om deze afbeeldingen begrijpelijk te maken, worden ze opgeslagen als piramides van lagen, waarbij de bovenste laag een kleine, wazige overview is en de onderste lagen ongelooflijk gedetailleerde close-ups zijn. Traditioneel analyseren computers deze slides door ze in duizenden kleine, vaste vierkantjes te hakken en elk vierkantje afzonderlijk te controleren. Hoewel dit werkt, is het traag en verspillend, omdat computers vaak grote gebieden met gezond weefsel moeten onderzoeken om de kleine, verspreide regio's te vinden waar een tumor zich zou kunnen verbergen.
Onderzoekers vroegen zich al lang af of computers konden leren naar deze slides te kijken zoals een menselijke arts dat doet: door de overview te scannen, in te zoomen op verdachte plekken en de rest te negeren. Een nieuwe studie door een team uit Frankrijk, Italië en Parijs stelt een methode voor waarbij een kunstmatige intelligentie-agent leert om zelfstandig door deze digitale slides te navigeren. In plaats van de volledige afbeelding in één keer te verwerken, beweegt de agent zich door de slide en beslist waar hij naar kijkt, hoe ver hij moet inzoomen en wanneer hij een plek als tumor moet markeren. De onderzoekers ontdekten dat deze interactieve aanpak de computer in staat stelt om tumoren te vinden met een nauwkeurigheid die vergelijkbaar is met traditionele methoden, maar in een fractie van de tijd; het verandert een proces dat minuten duurt in een proces dat slechts seconden in beslag neemt.
De kern van dit werk is een systeem dat de digitale slide niet behandelt als een statische foto, maar als een interactieve omgeving. Stel je een patholoog voor die aan een microscoop zit; zij kijken niet naar elke cel in het monster. In plaats daarvan beginnen ze met een breed beeld, zien ze een gebied dat er ongewoon uitziet, en zoomen ze dan in om het nauwkeurig te inspecteren. De onderzoekers bouwden een computerprogramma dat dit gedrag nabootst. Ze creëerden een virtuele agent die naar links, rechts, boven of onder kan bewegen, en die kan in- of uitzoomen om het niveau van detail dat het ziet te veranderen. Het doel van de agent is om een kaart van de tumor op te bouwen door een reeks van deze bewegingen en selecties te maken. Het begint met een leeg canvas en vult geleidelijk de vorm van de tumor in door te kiezen welke delen van de slide het onderwerp van aandacht moeten zijn.
Om de agent te leren hoe hij dit moet doen, gebruikten de onderzoekers een leermethode genaamd reinforcement learning (versterkingsleren). Dit is een vorm van training waarbij de agent leert door middel van trial-and-error (vallen en opstaan), waarbij hij feedback krijgt voor zijn acties. In dit geval krijgt de agent een beloning wanneer zijn huidige gok over de locatie van de tumor dichter bij de werkelijke locatie komt, die bekend is van menselijke annotaties door experts. De onderzoekers ontwierpen het beloningssysteem zorgvuldig. Ze ontdekten dat als de agent simpelweg wordt beloond voor het vinden van welk deel van de tumor dan ook, de agent te agressief kan worden en gezond weefsel als kwaadaardig kan markeren. Echter, als de beloning zo gestructureerd is dat de agent wordt aangemoedigd om zijn kaart gaandeweg te verfijnen, leert de agent nauwkeuriger te zijn. De studie toonde aan dat het geven van een gematigde hoeveelheid tijd aan de agent om zijn zetten te doen — ongeveer 80 stappen per slide — de agent in staat stelde om de tumor effectief te vinden zonder te verdwalen in onnodige details.
Het team testte dit systeem op slides van patiënten met adenocarcinoom van de longen, een veelvoorkomend type longkanker. Ze vergeleken hun nieuwe agent met standaard computermethoden die de slide in vaste vierkantjes hakken. De resultaten waren opmerkelijk. De traditionele methoden, die de gehele slide verwerken, deden er gemiddeld meer dan 229 seconden over om een enkele slide te analyseren, waarbij sommige zelfs veel langer duurden afhankelijk van de grootte van de tumor. In contrast hiermee voltooide de nieuwe interactieve agent dezelfde taak in gemiddeld slechts 3 seconden. Hoewel de agent iets minder precies was in het tekenen van de exacte randen van de tumor vergeleken met de meest geavanceerde traditionele methoden, legde hij de algemene vorm en locatie van de ziekte vast met een vergelijkbare nauwkeurigheid. Deze afruil is significant omdat het betekent dat een arts bijna direct een voorlopige analyse van een slide kan krijgen, in plaats van te moeten wachten tot een computer elke inch van de afbeelding heeft verwerkt.
Een van de belangrijkste ontdekkingen in de studie was dat de agent een grote verscheidenheid aan voorbeelden nodig had om goed te leren. Wanneer de onderzoekers de agent trainden op een kleine set slides, had hij moeite met het generaliseren naar nieuwe patiënten. Echter, toen ze de trainingsset uitbreidden door veel meer slides op te nemen, werd de agent veel betrouwbaarder. Dit suggereert dat voor computers om te leren hoe ze complexe medische afbeeldingen effectief te navigeren, ze moeten worden blootgesteld aan een divers scala aan gevallen, net zoals menselijke artsen dat doen. De studie benadrukte ook dat de agent geen complexe geheugensystemen nodig had om te onthouden wat hij had gezien; de combinatie van het huidige zicht en een globaal overzicht van de slide was voldoende om goede beslissingen te nemen.
De onderzoekers erkennen dat hun methode niet perfect is. De agent heeft soms moeite met de fijne details van de tumorrand, waarschijnlijk omdat hij in stappen beweegt die te groot zijn om de kleinste onregelmatigheden op te vangen. Daarnaast werd de studie uitgevoerd op één specif kind type kanker uit één ziekenhuis, dus het is nog niet bekend of dezelfde aanpak zal werken voor andere ziekten of in andere klinische omgevingen. Ondanks deze beperkingen toont het werk een duidelijke weg vooruit. Door computers toe te staan om te interageren met medische afbeeldingen op een manier die menselijke exploratie nabootst, is het mogelijk om de tijd die nodig is voor diagnose drastisch te verminderen zonder te veel nauwkeurigheid op te offeren. Deze aanpak biedt een veelbelovende manier om de overweldigende hoeveelheid gegevens in de moderne pathologie te verwerken, wat artsen potentieel in staat stelt om hun aandacht te richten op de gevallen die daar het meest om vragen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.