Istraživači iz medicinskog centra UT Southwestern razvili su novi model veštačke inteligencije (AI) koji analizira prostorni raspored ćelija u uzorcima tkiva. Ovaj inovativni pristup, detaljno opisan u Nature Communications, precizno je predvideo ishode za pacijente sa rakom, označavajući značajan napredak u korišćenju veštačke inteligencije za prognozu raka i personalizovane strategije lečenja.
„Prostorna organizacija ćelije je poput složene slagalice u kojoj svaka ćelija služi kao jedinstveni komad, pažljivo se uklapajući u kohezivnu strukturu tkiva ili organa. Ovo istraživanje pokazuje izuzetnu sposobnost AI da shvati ove složene prostorne odnose između ćelija unutar tkiva, izdvajanje suptilnih informacija koje su prethodno bile izvan ljudskog razumevanja dok se predviđaju ishodi pacijenata“, rekao je vođa studije Guanghua Ksiao, dr., profesor na Školi javnog zdravlja, biomedicinskog inženjeringa Peter O’Donnell Jr.
Uzorci tkiva se rutinski prikupljaju od pacijenata i stavljaju na dijapozitive za interpretaciju od strane patologa, koji ih analiziraju da bi postavili dijagnozu. Međutim, objasnio je dr Sjao, ovaj proces je dugotrajan, a tumačenja se mogu razlikovati među patolozima. Pored toga, ljudski mozak može propustiti suptilne karakteristike prisutne na slikama patologije koje bi mogle dati važne tragove za stanje pacijenta.
Različiti modeli veštačke inteligencije napravljeni u poslednjih nekoliko godina mogu da obavljaju neke aspekte posla patologa, dodao je dr Sjao—na primer, identifikovanje tipova ćelija ili korišćenje blizine ćelije kao zamene za interakcije između ćelija. Međutim, ovi modeli ne rekapituliraju uspešno složenije aspekte načina na koji patolozi tumače slike tkiva, kao što su uočavanje obrazaca u prostornoj organizaciji ćelija i isključivanje stranog „šuma“ u slikama koji mogu da zbune interpretacije.
Novi model veštačke inteligencije, koji su dr Sjao i njegove kolege nazvali Ceograph, oponaša kako patolozi čitaju slajdove tkiva, počevši od otkrivanja ćelija na slikama i njihovih položaja. Odatle identifikuje tipove ćelija, kao i njihovu morfologiju i prostornu distribuciju, stvarajući mapu u kojoj se mogu analizirati raspored, distribucija i interakcije ćelija.
Istraživači su uspešno primenili ovaj alat na tri klinička scenarija koristeći slajdove za patologiju. U jednom, koristili su Ceograph da razlikuju dva podtipa raka pluća, adenokarcinoma ili karcinoma skvamoznih ćelija. U drugom, oni su predvideli verovatnoću da potencijalno maligni oralni poremećaji – prekancerozne lezije usta – napreduju u rak. U trećem, identifikovali su koji pacijenti sa karcinomom pluća će najverovatnije reagovati na klasu lekova koji se nazivaju inhibitori receptora epidermalnog faktora rasta.
U svakom scenariju, Ceograph model je značajno nadmašio tradicionalne metode u predviđanju ishoda pacijenata. Važno je da se karakteristike prostorne organizacije ćelije koje je identifikovao Ceograph mogu interpretirati i dovode do bioloških uvida u to kako bi promena prostorne interakcije između ćelija i ćelija mogla proizvesti različite funkcionalne posledice, rekao je dr Sjao.
Ovi nalazi naglašavaju rastuću ulogu AI u medicinskoj nezi, dodao je on, nudeći način da se poboljša efikasnost i tačnost patoloških analiza. „Ova metoda ima potencijal da pojednostavi ciljane preventivne mere za visokorizične populacije i optimizuje izbor tretmana za pojedinačne pacijente“, rekao je dr Sjao, član Centra za kvantitativno biomedicinsko istraživanje na UT Southwestern.
