آسیب شناسی دیجیتال یک رشته نوظهور است که عمدتاً با تصاویر میکروسکوپی که از بیوپسی بیماران مشتق شده اند، سروکار دارد. به دلیل وضوح بالا، اکثر این تصاویر اندازه بزرگی دارند که معمولاً بیش از یک گیگابایت است. بنابراین، روش‌های معمولی تجزیه و تحلیل تصویر نمی‌توانند به طور کارآمدی با آنها مقابله کنند.
به گزارش مرکز نوآوری و توسعه هوش مصنوعی به نقل از نیوز مدیکال ،با مشاهده نیاز، محققان دانشکده پزشکی دانشگاه بوستون (BUSM) یک الگوریتم جدید هوش مصنوعی (AI) مبتنی بر چارچوبی به نام یادگیری بازنمایی برای طبقه‌بندی زیرگروه سرطان ریه بر اساس تصاویر بافت ریه از تومورهای برداشته شده توسعه داده‌اند.
ویجایا بی کولاچالاما، استادیار پزشکی در BUSM می گوید :«ما در حال توسعه روش‌های مبتنی بر هوش مصنوعی هستیم که می‌تواند کارایی را برای ارزیابی داده‌های آسیب‌شناسی دیجیتال به ارمغان بیاورد. عمل آسیب شناسی در بحبوحه یک انقلاب دیجیتالی است. روش های مبتنی بر رایانه برای کمک به آسیب شناس متخصص در حال توسعه هستند. همچنین در جاهایی که متخصص وجود ندارد، چنین روش‌ها و فناوری‌هایی مستقیماً به تشخیص کمک می‌کنند.»
محققان یک ترانسفورماتور بینایی مبتنی بر نمودار برای آسیب شناسی دیجیتال به نام Graph Transformer (GTP) توسعه دادند که از نمایش نموداری تصاویر آسیب شناسی و کارایی محاسباتی معماری ترانسفورماتور برای انجام تجزیه و تحلیل بر روی کل تصویر اسلاید استفاده می کند.
جنیفر بین، دانشیار پزشکی در BUSM می گوید: «ترجمه آخرین پیشرفت‌های علوم کامپیوتر به آسیب‌شناسی دیجیتال ساده نیست و نیاز به ساخت روش‌های هوش مصنوعی وجود دارد که می‌تواند منحصراً با مشکلات آسیب‌شناسی دیجیتال مقابله کند.»
آنها با استفاده از تصاویر کامل اسلاید و داده‌های بالینی از سه گروه ملی در دسترس عموم، مدلی را ایجاد کردند که می‌تواند بین آدنوکارسینوم ریه، کارسینوم سلول سنگفرشی ریه و بافت غیر سرطانی مجاور تمایز قائل شود. طی یک سری مطالعات و تجزیه و تحلیل حساسیت، آنها نشان دادند که چارچوب GTP آنها از روش‌های پیشرفته فعلی که برای طبقه‌بندی تصاویر کل اسلاید استفاده می‌شوند، بهتر عمل می‌کند.
آنها معتقدند چارچوب یادگیری ماشینی آنها پیامدهایی فراتر از آسیب شناسی دیجیتال دارد.
