Új AI modell segíthet a mellrák diagnózisában
Ductal carcinoma in situ (DCIS) egy preinvazív tumor típus, amely néha súlyosan halálos mellrákká alakul át. Az összes mellrák diagnózis körülbelül 25 százalékát teszi ki. Mivel a DCIS típusának és stádiumának meghatározása nehéz a klinikusok számára, a DCIS-es betegeket gyakran túlkezelik.
Ezt a problémát orvosolandó, az MIT és az ETH Zürich interdiszciplináris kutatócsapata egy AI modellt fejlesztett ki, amely képes azonosítani a DCIS különböző stádiumait egy olcsón és könnyen beszerezhető mellkasi szövet kép alapján. Modelljük kimutatta, hogy mind a sejtek állapota, mind az elrendezése fontos a DCIS stádiumának meghatározásához.
Mivel az ilyen szövetképek könnyen beszerezhetőek, a kutatók az eddigi egyik legnagyobb adatbázist építették fel, amelyet a modelljük betanítására és tesztelésére használtak. Amikor a modell előrejelzéseit összehasonlították egy patológus következtetéseivel, sok esetben egyértelmű egyezést találtak.
A jövőben a modell segíthet a klinikusoknak az egyszerűbb esetek diagnózisának leegyszerűsítésében, anélkül, hogy munkaigényes tesztekre lenne szükség, így több időt hagyva számukra a bonyolultabb esetek értékelésére, ahol nem egyértelmű, hogy a DCIS invazívvá válik-e.
Kombinált képalkotás AI-val
A DCIS-es betegek 30-50 százaléka fejleszti ki a rák egy rendkívül invazív stádiumát, de a kutatók nem ismerik azokat a biomarkereket, amelyek megmondhatják, mely tumorok fognak előrehaladni.
A kutatók olyan technikákat alkalmazhatnak, mint a multiplex staining vagy az egyszálú RNS szekvenálás, hogy meghatározzák a DCIS stádiumát a szövetmintákban. Ezek a tesztek azonban túl drágák ahhoz, hogy széles körben elvégezzék őket, magyarázza Shivashankar.
Korábbi munkájukban a kutatók kimutatták, hogy egy olcsó képalkotási technika, az úgynevezett chromatin staining, ugyanolyan informatív lehet, mint a sokkal költségesebb egyszálú RNS szekvenálás.
Ehhez a kutatáshoz azt feltételezték, hogy ha ezt az egyszerű festést egy gondosan megtervezett gépi tanulási modellel kombinálják, akkor ugyanolyan információkat szolgáltathat a rák stádiumáról, mint a költségesebb technikák.
Először egy 560 szövetmintából álló adatbázist hoztak létre, amely 122 beteget tartalmazott a betegség három különböző stádiumában. Ezt az adatbázist használták fel egy AI modell betanítására, amely megtanulja a sejtek állapotának reprezentációját egy szövetminta képén, amelyet a beteg rákjának stádiumának megismerésére használ.
A szervezés számít
A rákban azonban a sejtek elrendeződése is változik. „Megállapítottuk, hogy csak a sejtek arányainak ismerete nem elég. Meg kell értenünk, hogyan vannak elrendezve a sejtek,” mondja Shivashankar.
Ezzel az ismerettel a modellt úgy tervezték, hogy figyelembe vegye a sejtek arányát és elrendezését, ami jelentősen növelte a pontosságát.
„Az érdekes számunkra az volt, hogy mennyire számít a térbeli szerveződés. Korábbi tanulmányok kimutatták, hogy a mellvezetékhez közeli sejtek fontosak. De az is fontos, hogy figyelembe vegyük, mely sejtek vannak közel melyik más sejtekhez,” mondja Zhang.
Amikor a modellük eredményeit összehasonlították a patológus által értékelt mintákkal, sok esetben egyértelmű egyezést tapasztaltak. Azokban az esetekben, amelyek nem voltak egyértelműek, a modell információkat szolgáltathat a szövetmintában lévő jellemzőkről, például a sejtek szerveződéséről, amelyeket a patológus felhasználhat a döntéshozatalhoz.
Ez a sokoldalú modell más típusú rákok, vagy akár neurodegeneratív betegségek esetén is alkalmazható, amely az egyik terület, amelyet a kutatók jelenleg is vizsgálnak.
„Megmutattuk, hogy a megfelelő AI technikákkal ez az egyszerű festés nagyon erős lehet. Még sok kutatást kell végezni, de több tanulmányunkban figyelembe kell vennünk a sejtek szerveződését,” mondja Uhler.
Érdekesség: Az AI egyre jobban szerepel az orvosi diagnózisokban és a fejlesztésekben, az MIT és az ETH Zürich kutatói is ennek az új hullámnak az élvonalában vannak.
Információforrások: MIT News, Nature Communications
