Najnowsze trendy i zmiany paradygmatów w branży patologii cyfrowej

Ponieważ uczenie głębokie i jego modele, tzw. sztuczne sieci neuronowe, dobrze sprawdzają się w zadaniach związanych z widzeniem komputerowym, rozwój programów do analizy obrazu poszedł właśnie w tym kierunku. Wiele firm, jak np. finlandzka Aiforia Technologies, tworzy systemy oparte wyłącznie na głębokim uczeniu się, podczas gdy „weterani” rynku patologii cyfrowej, jak Visiopharm czy Indica Labs, dodali moduły sztucznej inteligencji do istniejących pakietów oprogramowania, aby nie zostać w tyle za konkurencją.

Systemy analizy obrazu oparte na sztucznej inteligencji pozwalają użytkownikowi trenować modele uczenia głębokiego na podstawie przykładów, bez konieczności precyzyjnego definiowania parametrów analizy.

Na podstawie podanych przykładów (tzw. danych oznaczonych, anotacji) z zeskanowanych preparatów mikroskopowych użytych do treningu modelu sztucznej inteligencji system uczy się rozpoznawać struktury na obrazach, których nigdy wcześniej nie „widział”.

Następnie użytkownik może zweryfikować i ewentualnie poprawić wyniki analizy poprzez podanie większej liczby przykładów i/lub skorygowanie źle zaklasyfikowanych struktur. Niektóre programy, takie jak Studio izraelskiej firmy DeePathology, są nawet w stanie pokierować generowaniem przykładów w taki sposób, że użytkownik wie, które struktury są najbardziej niejednoznaczne dla modelu i może zwiększyć ich liczbę w treningowym zestawie zeskanowanych preparatów.

Taki sposób organizacji analizy obrazu znacznie zmniejsza opór nawet największych sceptyków patologii cyfrowej. Ponieważ nowe programy do analizy obrazu bardzo często posiadają API, istnieje możliwość ich integracji z systemami regularnie stosowanymi w laboratoriach patologicznych, takimi jak np. laboratoryjne systemy informatyczne (ang. laboratory information management system, LIMS).

Analiza obrazu „w chmurze”

Uczenie głębokie, choć jest to mocna i przyjazna dla użytkownika technologia, nie jest wolne od wyzwań. Jednym z nich jest potrzeba bardziej wydajnych komputerów do przetwarzania obrazów patologicznych. Zwykły laptop nie wystarczy już do szybkiego wygenerowania wyników. Komputery używane do szkolenia modeli uczenia głębokiego powinny być wyposażone w procesory graficzne (ang. graphics processing units, GPU), które zwiększają prędkość analizy obrazu, ale także znacznie podnoszą koszty.

Konieczność zmiany sprzętu komputerowego na nowsze modele jest istotną barierą w adopcji analizy obrazu opartej na uczeniu głębokim. W odpowiedzi na ten problem, firmy zaczęły oferować usługi analizy i przetwarzania danych w chmurze. Aby uzyskać dostęp do interfejsu użytkownika i przesłać obrazy do analizy, wystarczy zalogować się za pomocą przeglądarki internetowej.

Na przesłanych obrazach anotuje się dane do treningu modelu uczenia głębokiego, a wszystkie obliczenia odbywają się na zdalnych serwerach za pośrednictwem internetu, zapewniając użytkownikowi szybkie wyniki.

Nie ma potrzeby wymiany sprzętu i ponoszenia wysokich kosztów utrzymania infrastruktury. Użytkownik otrzymuje dostęp do niezbędnej mocy obliczeniowej, a niektóre firmy, po wykupieniu dostępu do usługi, oferują nawet model cenowy pozwalający płacić jedynie za dane, które de facto zostały zużyte do przeprowadzenia analizy obrazu preparatów mikroskopowych.