Вештачката интелигенција го учи „јазикот на туморите“ за подобра дијагноза

Tим од експерти за вештачка интелигенција и тумори, предводен од експерти од универзитетите во Глазгов и Њујорк, разви нов систем кој може да открие знаци на болест во биолошките примероци со висока точност и да го предвиди исходот од третманот

Компјутерскиот систем кој користи вештачка интелигенција за да го научи „јазикот на туморите“ може да помогне во побрзо дијагностицирање на болеста, велат експертите.

Системот може да открие знаци на болест во биолошките примероци со висока точност и да го предвиди исходот од третманот. Патолозите во моментов ја вршат оваа работа со анализа на примероци од ткиво од пациенти со рак под микроскоп.

Анализата на компјутерскиот систем за видот на туморот и стадиумот на болеста им помага на лекарите да проценат каква терапија му е потребна на пациентот и какви се неговите шанси за закрепнување.

Меѓународен тим од експерти за вештачка интелигенција и тумори, предводен од експерти од универзитетите во Глазгов и Њујорк, разви нов систем, наречен хистоморфолошки фенотип учење (ХПЛ).

Основата беа илјадници слики со висока резолуција на белодробен аденокарцином кај 452 пациенти од базата на податоци на Националниот институт за туморски геном од САД. Тие користеле и дополнителни информации за прогресијата на болеста.

Потоа, тие развија алгоритам кој користел процес на обука наречен само-надгледувано длабоко учење за да ги анализираат сликите и да ги забележат шемите само врз основа на визуелните податоци во секој слајд.

Алгоритмот ги разложи сликите од слајдот на илјадници мали плочки, од кои секоја претставува мала количина човечко ткиво. Длабока невронска мрежа ги испитала плочките, учејќи се во процесот да ги препознае и класифицира сите визуелни карактеристики споделени низ која било од клетките во секој примерок од ткиво.

Д-р Ке Јуан, од Факултетот за компјутерска наука на Универзитетот во Глазгов, го надгледуваше истражувањето и е виш автор на трудот. Тој рече: „Не му дадовме на алгоритмот никаков увид во тоа какви се примероците или што очекувавме да најде. Како и да е, научил да забележува повторливи визуелни елементи во плочките кои одговараат на текстурите, својствата на клетките и ткивните архитектури наречени фенотипови.

„Со споредување на тие визуелни елементи низ целата серија слики што ги испитува, препозна фенотипови кои често се појавуваат заедно, независно избирајќи ги архитектонските обрасци што човечките патолози веќе ги идентификувале во примероците“.

Кога тимот додаде анализа на слајдови од сквамозен карцином на белите дробови на системот ХПЛ, тој беше способен правилно да ги разликува нивните карактеристики со 99% точност.

Откако алгоритмот ги идентификуваше шемите во примероците, истражувачите го користеа за да ги анализираат врските помеѓу фенотиповите што ги класифицираше и клиничките резултати складирани во базата на податоци, вклучително и колку долго живееле пациентите по операцијата за рак.

Алгоритмот откри дека одредени фенотипови, како што се туморските клетки кои се помалку инвазивни, или многу воспалителни клетки кои го напаѓаат туморот, се почести кај пациенти кои живееле подолго по третманот. Други, како што се агресивните туморски клетки кои формираат цврсти маси, или региони каде што имунолошкиот систем беше исклучен, беа потесно поврзани со повторување на туморите.

Алгоритмот правилно ги проценил шансите за преживување во 72 проценти од случаите, а патолозите ја извршиле истата задача со 64 проценти точност.

Кога истражувањето беше проширено за да вклучи анализа на илјадници слајдови на 10 други видови на рак, вклучувајќи рак на дојка, простата и мочен меур, резултатите беа слично точни и покрај зголемената сложеност на задачата.

Тимот го објави трудот во списанието Nature Communications.