Rak prostate predstavlja preovlađujuću pretnju po zdravlje muškaraca, zauzimajući drugo mesto po broju smrtnih slučajeva od raka u Sjedinjenim Državama. Svake godine oko 250.000 muškaraca u SAD dobije dijagnozu raka prostate. Dok većina slučajeva ima niske stope morbiditeta i mortaliteta, podskup slučajeva zahteva agresivno lečenje.
Urolozi procenjuju potrebu za takvim tretmanom prvenstveno preko Gleason skora, koji procenjuje izgled prostate na histološkim slajdovima. Međutim, postoji značajna varijabilnost u tumačenju, što dovodi do nedovoljnog i preteranog lečenja.
Trenutni metod, zasnovan na histološkim slajdovima, ima ograničenja. Samo mali deo biopsije se posmatra u 2D, rizikujući da se propuste ključni detalji, a tumačenja složenih 3D struktura žlezda mogu biti dvosmislena kada se posmatraju na 2D presecima tkiva. Štaviše, konvencionalna histologija uništava tkivo, ograničavajući nizvodne analize.
Da bi rešili ove nedostatke, istraživači su razvili nedestruktivne 3D metode patologije, nudeći kompletno snimanje uzoraka biopsije uz očuvanje integriteta tkiva.
Nedavni napredak uključuje tehnike za dobijanje 3D skupova patoloških podataka, omogućavajući poboljšanu procenu rizika od raka prostate.
Istraživanje objavljeno u Journal of Biomedical Optics koristi punu snagu 3D patologije tako što razvija model dubokog učenja za poboljšanje 3D segmentacije struktura tkiva žlezde koje su ključne za procenu rizika od raka prostate.
Istraživački tim, predvođen profesorom Džonatanom T. C. Liuom sa Univerziteta Vašington u Sijetlu, obučio je model dubokog učenja, nnU-Net, direktno na 3D podacima o segmentaciji prostate dobijenim iz prethodnih složenih cevovoda.
Njihov model efikasno generiše tačnu 3D semantičku segmentaciju žlezda u okviru njihovih 3D skupova podataka o biopsijama prostate, koje su dobijene pomoću mikroskopa sa otvorenim svetlom (OTLS) razvijenim u okviru njihove grupe. 3D segmentacije žlezda pružaju vredan uvid u sastav tkiva, što je ključno za prognostičke analize.
Liu kaže: „Naši rezultati ukazuju na izuzetnu tačnost nnU-Net-a za 3D segmentaciju žlezda prostate čak i sa ograničenim podacima o obuci, nudeći jednostavniju i bržu alternativu našim prethodnim metodama 3D segmentacije žlezda. Naročito, održava dobre performanse sa unosima niže rezolucije , potencijalno smanjujući potrebe za resursima.“
Novi model 3D segmentacije zasnovan na dubokom učenju predstavlja značajan korak napred u kompjuterskoj patologiji raka prostate. Omogućujući tačnu karakterizaciju struktura žlezda, obećava da će voditi kritične odluke o lečenju kako bi se na kraju poboljšali ishodi pacijenata.
Ovaj napredak naglašava potencijal računarskih pristupa u poboljšanju medicinske dijagnostike. Idući napred, obećava personalizovanu medicinu, utirući put efikasnijim i ciljanim intervencijama.
Prevazilazeći ograničenja konvencionalne histologije, kompjuterska 3D patologija nudi mogućnost da se otključa vredan uvid u progresiju bolesti i da se intervencije prilagode potrebama pojedinačnih pacijenata. Dok istraživači nastavljaju da pomeraju granice medicinskih inovacija, potraga za osvajanjem raka prostate ulazi u novu eru preciznosti i mogućnosti.
