Cuando la mayoría de la gente piensa en el futuro de la tecnología en medicina, imagina robots que realizan cirugías, escáneres inteligentes o, al menos, diagnósticos mucho más seguros. Pero no hemos visto este tipo de innovación en la mayoría de los campos . Un claro ejemplo de esto es en el campo de la patología.
El aumento en el número de solicitudes de detección de cáncer no se cumplirá simplemente contratando más patólogos. Necesitamos algo mejor
- ¿Puede explicar la optimización convexa sin matrices de arpillera y solo la segunda derivada?
- ¿Qué es un núcleo de roles en una máquina de vectores de soporte?
- En el análisis de sentimientos, ¿cómo son útiles los datos etiquetados por humanos para extraer características y capacitar a los clasificadores en el enfoque de aprendizaje automático?
- ¿Qué piensa la gente del concurso Quora ML CodeSprint 2013?
- ¿Existen por sí mismas redes neuronales que cambian automáticamente y que pueden cambiar su estructura interna (capas, nodos, hyerparameters)?
De lo que la mayoría de la gente no se da cuenta es que incluso en este mundo de autos sin conductor y planes para viajar a Marte, los patólogos aún corren portaobjetos de vidrio con muestras de tejido o líquido por mensajería de laboratorio en laboratorio para consulta, y dependen en gran medida de la visualización manual de diapositivas a través de una lente de microscopio óptico. Esto deja dos grandes oportunidades de mejora: reducción de errores humanos cometidos durante la visualización manual de diapositivas y encontrar la flexibilidad para hacer más, más rápido.
La identificación y clasificación del cáncer de mama, como ejemplo, requiere un análisis muy cuidadoso de muestras de tejido para identificar y cuantificar biomarcadores específicos. Hacer esto manualmente requiere un escaneo lento y metódico sobre las muestras para encontrar y cuantificar estos indicadores. Esto deja mucho margen de error debido a muchos factores humanos, como la fatiga y la experiencia; y con el campo de la evolución constante de la investigación del cáncer, puede volverse cada vez más difícil a medida que evolucionan los métodos de identificación.
Para combatir esto usando la nube y la IA, los patólogos pueden tomar imágenes cosidas en gigapíxeles (mil millones o más de píxeles) de una muestra de tejido con tamaños de archivo que alcanzan un tamaño mayor que el de una película digital de 4k en Blu-ray y cargarlos en la plataforma WebMicroscope Cloud. donde nuestra tecnología utiliza la Inteligencia Artificial (Deep Learning y Computer Vision para ser más específicos) para procesar las imágenes masivas para detectar y cuantificar esos biomarcadores de cáncer. Para poner esto en perspectiva, esto es como tomar una imagen satelital del continente europeo e identificar y contar cada automóvil rosado. Estas imágenes gigantescas de muestras de tejidos y células requieren una capacidad de almacenamiento y procesamiento fácilmente escalable. En el futuro, utilizaremos las instancias de GPU NVIDIA P100 Tesla en Microsoft Azure para esta, la opción de GPU AI más rápida en la nube.
Usando los algoritmos de inteligencia artificial entrenados para la aplicación específica, podemos ayudar a los patólogos e investigadores a mejorar su flujo de trabajo de toma de decisiones. Por ejemplo, puede entrenar una red neuronal para identificar cualquier característica visible en muestras de tejido al alimentarla con miles y miles de muestras de tejido cuidadosamente etiquetadas, haciéndola increíblemente precisa y reproducible. El algoritmo de análisis de imagen es incansable, funciona siempre de la misma manera.
Ahora, un patólogo puede procesar una diapositiva tomando una imagen de alta resolución de gigapíxeles y pasándola a través de nuestra aplicación web, y en solo unos minutos tiene una imagen resultante que contiene un mapa de calor claro o punteros directos que resaltan lo que estaban buscando originalmente. Piense en poder ver esa imagen satelital de Europa con flechas claras que apuntan a todos esos autos rosados, junto con la capacidad de acercarse para ver cada auto individualmente y poder tener un conteo claro de todos ellos.
A través de la visualización manual, esto es casi imposible en esa escala; pero usando nuestros algoritmos de aprendizaje profundo, podemos realizar esta tarea extremadamente rápido.
Estar en la nube también permite beneficios adicionales en términos de educación, escalabilidad y colaboración.
En muchas universidades de medicina, las clases de patología aún dependen de los microscopios convencionales y los estudiantes están agrupados en pequeños equipos alrededor de microscopios que se turnan para ver muestras de tejido. Con nuestra WebMicroscope Cloud Platform, los estudiantes ya están viendo independientemente las imágenes digitales de alta resolución en sus tabletas personales, en cualquier lugar y en cualquier momento.
En términos de escalabilidad, con el creciente volumen de muestras de tejido y la escasez de mano de obra del patólogo, existe una necesidad inmediata de poder escalar la evaluación de la muestra. Esta tecnología nos permite permitir a los patólogos e investigadores hacer su trabajo más rápido y con mayor precisión que nunca.
Como todo esto está en la nube, obtener una segunda opinión se vuelve extremadamente fácil. Solo compartir el archivo de imagen dentro de la plataforma con otros usuarios requiere unos pocos clics. Mejorado drásticamente en comparación con el envío de la muestra de portaobjetos de vidrio físico a diferentes laboratorios.