Biopsja to podstawowe badanie diagnostyczne służące do rozpoznawania nowotworów. Do tej pory ocenę stanu pobranej tkanki, a także badanie jej komórek lekarze przeprowadzali osobiście. To zajęcie bywa czasochłonne oraz jest obarczone marginesem błędu. Grupa naukowców z uniwersytetów MIT, Stanforda i Harvarda udowodniła, że w celu identyfikacji zmian nowotworowych można skutecznie wykorzystać nowoczesną technologię. Wyniki badania zostały szczegółowo opisane w artykule opublikowanym w renomowanym czasopiśmie naukowym “JAMA Network Open”.

Próbka pobrana w czasie biopsji zostaje wystawiona na działanie odczynników chemicznych barwiących niektóre jej elementy – na przykład ciała komórek. Następnie lekarze decydują, czy obecne są w niej zmiany nowotworowe. Sztuczna inteligencja zaprojektowana przez naukowców dokonuje analogicznego procesu, lecz przeprowadza go całkowicie wirtualnie. Jako dane wejściowe wprowadza się zdjęcie próbki tkanki. Używając zaawansowanych algorytmów, tzw. “computer vision”, komputer dokonuje analizy obrazu i kategoryzuje rozpoznane elementy tkanki zgodnie z oznaczeniami używanymi przez lekarzy. Co więcej, w razie potrzeby możliwe jest przywrócenie pierwotnego stanu zdjęcia.

Poprawność działania sztucznej inteligencji została zweryfikowana przy pomocy prostego badania. Próbki tkanek oznaczone metodą tradycyjną zostały porównane z tymi samymi próbkami przetworzonymi przez algorytm. Porównania dokonała grupa niezależnych specjalistów – diagnostyków. Ich zadaniem było stwierdzić, czy oznaczenia dokonała maszyna czy człowiek. Okazało się, że specjaliści nie potrafili wskazać różnicy. Oznacza to, że diagnoza dokonana przez algorytmy może być równie dobra jak ta przeprowadzana klasyczną metodą przez lekarzy.

Cyfrowe metody oceny stanu tkanki w celu wykrycia zmian nowotworowych to prawdopodobnie przyszłość badań medycznych. Ich niewątpliwą zaletą jest fakt, że pomagają zaoszczędzić czas. Jednak to nie jedyna korzyść płynąca z ich wykorzystania. Jedna próbka może być oznakowana, a następnie przywrócona do stanu wyjściowego. To z kolei umożliwia wykorzystanie tej samej próbki w wielu różnych testach diagnostycznych i prognostycznych. Dzięki temu nie ma potrzeby pobierania kolejnych fragmentów tkanek pacjentów.

“Algorytmy, które opracowaliśmy, pozwalają na rozszerzenie przeprowadzanych badań. Szczególnie przydatna okazała się metoda przywracania obrazu tkanki do stanu pierwotnego. Możemy na przykład przeanalizować miliony archiwalnych próbek pod kątem kolejnych testów. Możliwości zastosowań tych algorytmów są naprawdę nieograniczone” – opowiada Alarice Lowe, profesor i dyrektor laboratorium histopatologicznego na Uniwersytecie Stanforda, która współtworzyła to przedsięwzięcie.

Bibliografia:
Rana A., Lowe A., Lithgow M. et al. Use of Deep Learning to Develop and Analyze Computational Hematoxylin and Eosin Staining of Prostate Core Biopsy Images for Tumor Diagnosis, JAMA Network Open 2020

Dodaj komentarz