Odluke o lečenju pacijenata sa akutnom mijeloidnom leukemijom (AML) — visoko agresivnim oblikom leukemije — zasnovane su, između ostalog, na nizu određenih genetskih karakteristika bolesti; ali u vreme kada se postavlja dijagnoza, ove informacije nisu dostupne. Dokazi o ovim genetskim anomalijama su ključni u pružanju ciljanog tretmana za pacijente u ranoj fazi. Pošto je genetsko testiranje skupo i dugotrajno, postoji velika potreba za jeftinim, brzim i široko dostupnim testovima za predviđanje takvih anomalija.
Tim IT stručnjaka i lekara na Univerzitetu u Minsteru i Univerzitetskoj bolnici Minster sada je objavio studiju koja pokazuje kako se metoda zasnovana na veštačkoj inteligenciji (AI) može koristiti za predviđanje različitih genetskih karakteristika na osnovu mikroskopskih slika visoke rezolucije razmaza koštane srži. Zbog toga se odluke o preciznijem lečenju mogu doneti direktno na dan postavljanja dijagnoze, bez potrebe da se čekaju genetske analize. Ovi rezultati su objavljeni u časopisu Blood Advances.
U ovoj novoj metodi, genetske aberacije su ekstrahovane direktno iz skeniranja sa više gigabajta izuzetno visoke rezolucije iz razmaza cele koštane srži uzetih od više od 400 pacijenata sa AML. Skeniranje je u proseku imalo rezoluciju od 270.000 puta 135.000 piksela, pri čemu je jedna slika bila veličine nekoliko gigabajta. Polazeći od ovog ogromnog skupa podataka, bilo je moguće izdvojiti više od 2 miliona jednoćelijskih slika.
„Razvili smo novu vrstu metode dubokog učenja, potpuno automatsku, koja je obučena za složen zadatak pomoću tehnologije mašinskog učenja“, objašnjava prof. Bendžamin Rise, koji je rukovodio radom na razvoju algoritama na IT strani. „U našem slučaju, osnovni algoritam može automatski da prepozna genetske osobine i veoma fine obrasce na velikim citološkim slikama. Metoda je zatim filtrirala jednoćelijske slike u kategorije različitih tipova ćelija, a takođe je pokazala i bilo kakve genetske aberacije. U našem slučaju osnovni algoritam može automatski da prepozna genetske karakteristike i veoma fine obrasce na velikim citološkim slikama. Metoda je potom filtrirala jednoćelijske slike u kategorije različitih tipova ćelija.
„Zanimljivo je da posmatrači ne mogu da identifikuju nekoliko obrazaca koje algoritam prepoznaje. To je, na primer, zato što obrasci mogu biti previše bledi ili zato što su uključene izuzetno fine teksture koje ostaju skrivene ljudskom oku, uprkos odličnoj slici“, kaže Rise. .
Jedna ključna prednost predstavljenog metoda je u end-to-end AI cevovodu koji omogućava praćenje (privremenih) rezultata i svodi na minimum ručni preliminarni rad često neophodan za mašinsko učenje. Ovo je omogućeno kombinacijom takozvanih nenadgledanih, samonadgledanih i nadgledanih procesa učenja. Prva dva procesa uopšte ne zahtevaju ručni izbor podataka, već pokušavaju da automatski izvuku relevantan sadržaj iz podataka slike.
„Koristeći takozvani inkrementalni pristup, izvršili smo posredničke korake sa stručnjakom za ljude da bismo pregledali slike. Ovo je neophodno, na primer, za slike ćelija koje su kategorisane kao problematične“, kaže dr Linus Angenendt, koji rukovodi personalizovanom terapijom raka i digitalnim Radna grupa za medicinu u Univerzitetskoj bolnici Minster. Problematične slike ćelija mogu nastati kao rezultat netačnog bojenja, na primer. Obučeni model je naknadno procenjen na nezavisnom skupu podataka koji se odnosi na dodatnih 70 pacijenata sa više od 440.000 jednoćelijskih slika—kao test kohorte.
Iako nova metoda ne može da zameni genetske analize, ona ipak pomaže u vrlo ranoj fazi u procesu dijagnostičkog pojašnjenja za pacijenta sa leukemijom dajući ideju o tome koje genetske aberacije mogu biti u osnovi bolesti. Ovo bi posebno bilo od pomoći u slučaju agresivnih bolesti kada nema vremena za čekanje na kompletne genetske analize.
Istraživači su uvereni da će digitalne metode i veštačka inteligencija u budućnosti postati sve važniji za velike medicinske skupove podataka kada se daju personalizovane preporuke za lečenje pacijenata sa malignim bolestima. Ova studija doprinosi važnoj osnovi za ovo, na primer u razvoju sličnih pristupa za druge bolesti koštane srži.
