Revolutsioon vähi diagnoosimises: AI võidab patoloogia!

Revolutsioon vähi diagnoosimises: AI võidab patoloogia!

Erlangeni ülikoolihaigla (UKER) ja Itaalias Caltagirone asuva Gravina haigla vahelise olulise koostööprojekti eesmärk on integreerida tehisintellekt (AI) patoloogia kliinilisse diagnostikasse. Valju FAU Tulemused avaldati ajakirjas Genome Medicine. Kuna Saksamaal registreeritakse igal aastal üle 1,4 miljoni vähijuhtumi, on kasvaja eemaldamise järgsetel kudede uuringutel ülioluline roll. Siin tulevad mängu AI-algoritmid, mis võivad aidata patoloogidel tuvastada vähitüüpe ja hinnata koeproove.

Tehisintellekti kasutamine patoloogias on praegu piiratud, sest paljud uuringud toimuvad mikroskoobi abil. Gravina haigla on aga astunud sammu tulevikku ja digiteerib rutiinselt kõiki koelõike. See meede parandab digitaalsete andmete kättesaadavust ja võimaldab välja töötada meetodi AI analüüsi automaatseks integreerimiseks patoloogialaborite töövoogudesse.

Digitaliseerimine ja AI patoloogias

Diagnoosi käigus töödeldakse koeproovid ülipeenteks lõikudeks ja digiteeritakse. Seejärel viiakse analüüs läbi arvutimonitoril, kusjuures AI analüüs aktiveeritakse automaatselt niipea, kui labori infosüsteemi (LIS) saabub uued skaneeringud. Patoloogidel on ka võimalus nõuda tellitavaid analüüse. Tulemused visualiseeritakse soojuskaartidena LIS-is, tuues esile vähipiirkonnad. Projekti eesmärk on parandada algoritmide täpsust ja soodustada süvaõppe mudelite integreerimist teistesse patoloogiaosakondadesse.

Tehnoloogilised uuendused kiirendavad oluliselt vähktõve diagnoosimist, eriti histopatoloogiliste lõikude digiteerimise ja süvaõppe kasutamise kaudu. Analüüs toob välja nende arengutega seotud väljakutsed ja võimalused. Sügavate närvivõrkude kasutamine (sügav õppimine) võib parandada diagnostilist täpsust ja vähendada vähidiagnooside veamäära. Näiteks tuuakse välja, et eesnäärmevähi klassifitseerimise kaheastmeline süvaõppe mudel on saavutanud täpsuse 0, 7, võrreldes inimese patoloogide 0, 61-ga.

GNN-de roll digitaalses patoloogias

Erilist tähelepanu väärib graafiliste närvivõrkude (GNN) väljatöötamine, mis on osutunud paljulubavaks alternatiiviks funktsioonide ekstraheerimiseks ja tõlgendatavuseks digitaalses patoloogias. Need võrgud modelleerivad objektide vahelisi suhteid ja on juba leidnud edukaid rakendusi erinevates valdkondades, sealhulgas molekulaarsete omaduste ennustamisel. Uuringud on näidanud, et GNN-id suudavad saavutada 97% täpsuse kolorektaalse vähi hindamisel, rõhutades nende paremust võrreldes traditsiooniliste lähenemisviisidega.

AI rakendamine patoloogias pole mitte ainult tehniline väljakutse, vaid ka vajadus. Arvestades vähijuhtude arvu suurenemist, patoloogide arvu vähenemist ja juhtumite arvu suurenemist, on tungiv vajadus digiteeritud patoloogiapiltide automatiseeritud tõlgendamise järele. Fraunhofer IKS rõhutab, et tehisintellekt suudab kiiresti ühendada ja analüüsida suuri andmeid, mis võib viia individuaalse ravi ja varajase haiguse diagnoosimiseni.

Üldiselt näitab see, et digitaliseerimise ja tehisintellekti kombinatsioon mitte ainult ei paranda patoloogia tõhusust ja täpsust, vaid võib viia ka uuenduslike lähenemisviisideni vähi diagnoosimisel.