Revolucija v diagnostiki raka: AI premaga patologijo!

Revolucija v diagnostiki raka: AI premaga patologijo!

Pomemben projekt sodelovanja med univerzitetno bolnišnico Erlangen (UKER) in bolnišnico Gravina v Caltagironeju v Italiji je namenjen integraciji umetne inteligence (AI) v klinično diagnostiko v patologiji. Glasno FAU Rezultati so bili objavljeni v reviji Genome Medicine. Pri več kot 1,4 milijona primerov raka v Nemčiji vsako leto igrajo pregledi tkiv po odstranitvi tumorja ključno vlogo. Tu pridejo v poštev algoritmi AI, ki lahko patologom pomagajo prepoznati vrste raka in oceniti vzorce tkiva.

Uporaba umetne inteligence v patologiji se je trenutno izkazala za omejeno, ker številne preiskave potekajo z uporabo mikroskopa. Bolnišnica Gravina pa je vendarle naredila korak v prihodnost in rutinsko digitalizira vse dele tkiva. Ta ukrep izboljšuje dostopnost digitalnih podatkov in omogoča razvoj metode za samodejno integracijo analize umetne inteligence v delovne tokove patoloških laboratorijev.

Digitalizacija in umetna inteligenca v patologiji

Med diagnozo se vzorci tkiva obdelajo v izjemno fine rezine in digitalizirajo. Analiza se nato izvede na računalniškem monitorju, pri čemer se analiza AI samodejno aktivira takoj, ko v laboratorijski informacijski sistem (LIS) prejmejo nove skenirane slike. Patologi imajo tudi možnost zahtevati analize »na zahtevo«. Rezultati so vizualizirani kot toplotni zemljevidi v LIS, ki poudarjajo rakava območja. Cilj projekta je izboljšati natančnost algoritmov in spodbujati integracijo modelov globokega učenja v druge patološke oddelke.

Tehnološke inovacije bistveno pospešujejo diagnosticiranje raka, zlasti z digitalizacijo histopatoloških rezov in uporabo globokega učenja. Analiza poudarja izzive in priložnosti, povezane s tem razvojem. Uporaba globokih nevronskih mrež (globoko učenje) ima potencial za izboljšanje diagnostične natančnosti in zmanjšanje stopnje napak pri diagnozah raka. Na primer, dvostopenjski model globokega učenja za razvrščanje raka prostate je naveden kot dosežen natančnost 0,7 v primerjavi z 0,61 za človeške patologe.

Vloga GNN v digitalni patologiji

Posebej je treba omeniti razvoj grafičnih nevronskih mrež (GNN), ki se izkazujejo kot obetavna alternativa za ekstrakcijo funkcij in interpretabilnost v digitalni patologiji. Ta omrežja modelirajo odnose med predmeti in so že našla uspešne aplikacije na različnih področjih, vključno z napovedovanjem molekularnih lastnosti. Raziskave so pokazale, da lahko GNN dosežejo 97-odstotno natančnost pri razvrščanju kolorektalnega raka, kar poudarja njihovo superiornost v primerjavi s tradicionalnimi pristopi.

Izvajanje umetne inteligence v patologiji ni le tehnični izziv, ampak tudi nujnost. Glede na naraščajoče število primerov raka, manjše število patologov in naraščajoče število primerov obstaja nujna potreba po avtomatizirani interpretaciji digitaliziranih slik patologije. Fraunhofer IKS poudarja, da lahko umetna inteligenca hitro združi in analizira velike količine podatkov, kar lahko vodi do individualiziranega zdravljenja in zgodnjega diagnosticiranja bolezni.

Na splošno kaže, da kombinacija digitalizacije in umetne inteligence ne le izboljša učinkovitost in natančnost pri patologiji, ampak lahko vodi tudi do inovativnih pristopov pri diagnosticiranju raka.