Kompjuterski sistem koji koristi moć veštačke inteligencije da nauči jezik raka sposoban je da uoči znake bolesti u biološkim uzorcima sa izuzetnom tačnošću, kažu njegovi programeri.
Međunarodni tim stručnjaka za veštačku inteligenciju i naučnika za rak stoji iza revolucionarnog razvoja, koji takođe može pružiti pouzdana predviđanja ishoda pacijenata.
Trenutno, patolozi ispituju i karakterišu karakteristike uzoraka tkiva uzetih od pacijenata sa rakom na slajdovima pod mikroskopom. Njihova zapažanja o tipu tumora i fazi rasta pomažu lekarima da odrede tok lečenja svakog pacijenta i njegove šanse za oporavak.
Novi sistem, koji istraživači nazivaju ‘Histomorfološko učenje fenotipa’ (HPL), mogao bi pomoći ljudskim patolozima da obezbede brže i tačnije dijagnoze bolesti, što potencijalno pomaže u poboljšanju nege raka u budućnosti.
Tim, predvođen istraživačima sa Univerziteta u Glazgovu i Univerziteta u Njujorku, opisuje kako su razvili i obučili HPL sistem u novom radu objavljenom u časopisu Nature Communications.
Počeli su prikupljanjem hiljada slika visoke rezolucije uzoraka tkiva adenokarcinoma pluća uzetih od 452 pacijenta pohranjenih u bazi podataka Cancer Genome Atlas Atlas Nacionalnog instituta za rak Sjedinjenih Država. U mnogim slučajevima, podaci su praćeni dodatnim informacijama o tome kako su karcinomi pacijenata napredovali.
Zatim su razvili algoritam koji je koristio proces obuke nazvan samonadzirano duboko učenje za analizu slika i uzoraka spotova zasnovanih isključivo na vizuelnim podacima na svakom slajdu.
Algoritam je razbio slike slajdova na hiljade sitnih pločica, od kojih svaka predstavlja malu količinu ljudskog tkiva. Duboka neuronska mreža pažljivo ispituje pločice, učeći se u procesu da prepozna i klasifikuje sve vizuelne karakteristike koje se dele u bilo kojoj od ćelija u svakom uzorku tkiva.
Dr Ke Juan, sa Fakulteta računarskih nauka Univerziteta u Glazgovu, nadgledao je istraživanje i stariji je autor rada. Rekao je: „Nismo dali algoritam uvid u to šta su uzorci ili šta smo očekivali da će pronaći. Ipak, naučio je da uoči ponavljajuće vizuelne elemente u pločicama koji odgovaraju teksturama, svojstvima ćelija i arhitekturi tkiva tzv. fenotipovi.
„Upoređujući te vizuelne elemente u čitavom nizu slika koje je ispitao, prepoznao je fenotipove koji su se često pojavljivali zajedno, nezavisno birajući arhitektonske obrasce koje su ljudski patolozi već identifikovali u uzorcima.“
Kada je tim dodao analizu slajdova od skvamoznog karcinoma pluća u HPL sistem, bio je u stanju da ispravno razlikuje njihove karakteristike sa 99% tačnosti.
Kada je algoritam identifikovao obrasce u uzorcima, istraživači su ga koristili da analiziraju veze između fenotipova koje je klasifikovao i kliničkih ishoda pohranjenih u bazi podataka, uključujući koliko dugo su pacijenti živeli nakon operacije raka.
Algoritam je otkrio da su određeni fenotipovi, kao što su tumorske ćelije koje su manje invazivne, ili puno inflamatornih ćelija koje napadaju tumor, češći kod pacijenata koji su živeli duže nakon tretmana. Druge, poput agresivnih tumorskih ćelija koje formiraju čvrste mase, ili regiona gde je imuni sistem bio isključen, bili su bliže povezani sa ponovnim pojavom tumora.
Predviđanja napravljena od strane HPL sistema su u dobroj korelaciji sa ishodima iz stvarnog života pacijenata koji su sačuvani u bazi podataka, tačno procenjujući verovatnoću i vreme povratka raka u 72% vremena. Ljudski patolozi zaduženi za isto predviđanje izveli su tačne zaključke sa 64% tačnosti.
Kada je istraživanje prošireno na analizu hiljada slajdova u 10 drugih vrsta karcinoma, uključujući rak dojke, prostate i bešike, rezultati su bili slično tačni uprkos povećanoj složenosti zadatka.
Profesor John Le Kuesne, sa Škole za nauku o raku Univerziteta u Glazgovu, jedan je od ko-starih autora rada i nadgledao je istraživanje. Rekao je: „Bili smo iznenađeni, ali veoma zadovoljni efikasnošću mašinskog učenja da se uhvati u koštac sa ovim zadatkom. Potrebno je mnogo godina da se patolozi obuče da identifikuju podtipove raka koje ispituju pod mikroskopom i izvuku zaključke o najverovatnijim ishodima za pacijente. To je težak i dugotrajan posao, a čak i visoko obučeni stručnjaci ponekad mogu izvući različite zaključke sa istog slajda.
„U izvesnom smislu, algoritam u srcu HPL sistema naučio je sebe od prvih principa da govori jezikom raka — da prepozna izuzetno složene obrasce na slajdovima i „pročita“ šta nam oni mogu reći o oba tipa raka. i njegov potencijalni efekat na dugoročno zdravlje pacijenata, za razliku od ljudskog patologa, ne razume šta gleda, ali ipak može da izvuče zapanjujuće tačne zaključke na osnovu matematičke analize.
„Mogao bi se pokazati kao neprocenjivo sredstvo za pomoć patolozima u budućnosti, povećavajući njihove postojeće veštine sa potpuno nepristrasnim drugim mišljenjem. Uvid koji pruža ljudska ekspertiza i analiza veštačke inteligencije koji rade zajedno mogli bi da obezbede brže i preciznije dijagnoze raka i procene pacijenata „verovatni ishodi, koji bi zauzvrat mogli da pomognu u poboljšanju praćenja i bolje prilagođene nege u lečenju svakog pacijenta.“
Dr Adalberto Claudio Kuiros, naučni saradnik na Školi za rak i Školi računarskih nauka Univerziteta u Glazgovu, je koautor ovog rada. Rekao je: „Ovo istraživanje pokazuje potencijal koji najsavremenije mašinsko učenje ima da stvori napredak u nauci o raku koji bi mogao imati značajne koristi za negu pacijenata.
„Ovakav algoritam za samoučenje će postati tačniji kako se dodaju dodatni podaci, pomažući mu da tečnije govori jezikom raka. Za razliku od ljudi, on ne donosi unapred zamišljene ideje u svoj rad, tako da može čak pronaći obrasce preko skupova podataka koji ranije nisu u potpunosti istraženi.
„Na kraju, naš cilj je da lekarima i pacijentima pružimo alat koji im može pomoći da bolje razumeju njihovu prognozu i lečenje.“
