Vėžio diagnostikos revoliucija: AI nugali patologiją!

Vėžio diagnostikos revoliucija: AI nugali patologiją!

Reikšmingas Erlangeno universiteto ligoninės (UKER) ir Gravinos ligoninės Kaltagirone (Italija) bendradarbiavimo projektas skirtas integruoti dirbtinį intelektą (AI) į klinikinę patologijos diagnostiką. Garsiai FAU Rezultatai buvo paskelbti žurnale Genome Medicine. Kasmet Vokietijoje užregistruojama daugiau nei 1,4 milijono vėžio atvejų, todėl audinių tyrimai po naviko pašalinimo atlieka esminį vaidmenį. Čia pradeda veikti AI algoritmai, kurie gali padėti patologams nustatyti vėžio tipus ir įvertinti audinių mėginius.

Šiuo metu AI naudojimas patologijoje yra ribotas, nes daugelis tyrimų atliekami naudojant mikroskopą. Tačiau Gravinos ligoninė žengė žingsnį į ateitį ir reguliariai skaitmenina visas audinių dalis. Ši priemonė pagerina skaitmeninių duomenų prieinamumą ir leidžia sukurti metodą, leidžiantį automatiškai integruoti dirbtinio intelekto analizę į patologijos laboratorijų darbo eigą.

Skaitmenizacija ir dirbtinis intelektas patologijoje

Diagnozės metu audinių mėginiai apdorojami į itin smulkias dalis ir suskaitmeninami. Tada analizė atliekama kompiuterio monitoriuje, o dirbtinio intelekto analizė automatiškai įjungiama, kai tik į laboratorijos informacinę sistemą (LIS) gaunami nauji skenavimai. Patologai taip pat turi galimybę prašyti atlikti analizę pagal pareikalavimą. Rezultatai vizualizuojami kaip šilumos žemėlapiai LIS, išryškinant vėžinius regionus. Projekto tikslas – pagerinti algoritmų tikslumą ir skatinti giluminio mokymosi modelių integravimą į kitus patologijos skyrius.

Technologinės naujovės žymiai pagreitina vėžio diagnostiką, ypač skaitmeninant histopatologinius skyrius ir naudojant gilųjį mokymąsi. Analizė pabrėžia su šiais pokyčiais susijusius iššūkius ir galimybes. Giliųjų neuroninių tinklų naudojimas (gilus mokymasis) gali pagerinti diagnostikos tikslumą ir sumažinti vėžio diagnozių klaidų skaičių. Pavyzdžiui, dviejų pakopų gilaus mokymosi modelis prostatos vėžio įvertinimui yra minimas kaip 0,7 tikslumas, palyginti su 0,61 žmogaus patologų.

GNN vaidmuo skaitmeninėje patologijoje

Ypatingas dėmesys skiriamas grafinių neuronų tinklų (GNN) kūrimui, kurie pasirodė esanti perspektyvi alternatyva funkcijų išgavimui ir aiškinimui skaitmeninėje patologijoje. Šie tinklai modeliuoja ryšius tarp objektų ir jau rado sėkmingų pritaikymų įvairiose srityse, įskaitant molekulinių savybių prognozavimą. Tyrimai parodė, kad GNN gali pasiekti 97% tikslumą vertinant gaubtinės ir tiesiosios žarnos vėžį, o tai pabrėžia jų pranašumą, palyginti su tradiciniais metodais.

AI įdiegimas patologijoje yra ne tik techninis iššūkis, bet ir būtinybė. Atsižvelgiant į didėjantį vėžio atvejų skaičių, mažėjantį patologų skaičių ir didėjantį atvejų skaičių, skubiai reikia automatizuoti skaitmeninių patologijos vaizdų interpretaciją. Fraunhoferis IKS pabrėžia, kad dirbtinis intelektas gali greitai sujungti ir analizuoti didelius duomenų kiekius, o tai gali paskatinti individualizuotą gydymą ir ankstyvą ligų diagnozę.

Apskritai tai rodo, kad skaitmeninimo ir AI derinys ne tik pagerina patologijos efektyvumą ir tikslumą, bet ir gali paskatinti naujoviškus vėžio diagnostikos metodus.