Otkrivanje raka u ranim fazama, odnosno pre nego što se proširi na druge delove tela, skoro uvek dovodi do boljih ishoda lečenja i niže stope mortaliteta. Međutim, za ljude koji nemaju dobar pristup zdravstvenoj zaštiti, kao što su oni sa niskim resursima ili koji žive u ruralnim područjima, pravovremena dijagnoza je retka. Ovo je velikim delom posledica nedostatka jednostavnih, brzih i isplativih dijagnostičkih tehnika za mnoge vrste raka.
Jedan obećavajući pristup za rano otkrivanje maligniteta je korišćenje spektroskopije difuzne refleksije (DRS) za „optičku biopsiju“ sumnjivog tkiva. Generalno, merenja zasnovana na DRS-u mogu se brzo izvršiti korišćenjem relativno jeftine opreme.
Ideja je da se analizira odgovor ciljnog tkiva na svetlost na nekoliko frekvencija i proceni ključni optički parametri. To uključuje koeficijent apsorpcije (μ a ) i smanjeni koeficijent ekstinkcije (μ′ s ), a oba imaju tendenciju da variraju između tumora i zdravog tkiva.
Danas se inverzne Monte Karlo (MCI) simulacije smatraju zlatnim standardom za analizu DRS podataka i procenu optičkih svojstava tkiva. Takvi numerički pristupi su, nažalost, računski intenzivni.
S druge strane, metode zasnovane na mašinskom učenju (ML) su konkurentna alternativa. Njihov glavni nedostatak je što zahtevaju mnogo podataka za obuku, a simulirani skupovi podataka se često koriste za pojednostavljenje koraka prikupljanja podataka. Međutim, simulirani skupovi podataka ne odražavaju tačno sve vrste grešaka uzrokovanih nepravilnom upotrebom medicinskih instrumenata (ili „greške upotrebe“), pa stoga tehnike DRS analize zasnovane na ML imaju nisku tačnost kada se primenjuju na stvarna merenja.
Da bi se pozabavio ovim problemima, istraživački tim na čelu sa vanrednim profesorom Bing Juom sa Univerziteta Market i Medicinskog koledža u Viskonsinu, razvio je robusniji ML model za analizu DRS podataka i predviđanje μ a i μ′ s . Njihov rad, objavljen u Journal of Biomedical Optics, mogao bi olakšati put pristupačnijim alatima za dijagnozu raka u okruženjima sa ograničenim resursima.
Predloženi model je „regresor nezavisan od talasne dužine“ (VIR), koji koristi novi skup karakteristika iz DRS podataka da bi se postigla veća tačnost u slučaju grešaka u upotrebi. Da bi obučili ovaj model, istraživači su razvili sveobuhvatan skup podataka koji se sastoji od simuliranih podataka i eksperimentalnih merenja uzetih od 170 fantoma tkiva.
Tačnije, simulirani skup podataka je podeljen na sedam manjih skupova podataka. Prvi je uključivao „savršene podatke“, bez ikakvih artefakata uzrokovanih bukom ili greškom u upotrebi. Nasuprot tome, drugi skup podataka uključivao je Gausov šum, dok su treći i četvrti predstavljali efekte pogrešne kalibracije talasne dužine, a peti i šesti su sadržali fluktuacije intenziteta slične onima uzrokovanim nepravilnim upravljanjem toplotom (ili pregrevanjem). Konačno, sedmi skup podataka je sadržao sve greške u isto vreme.
„Ova studija uključuje najveći i najraznovrsniji eksperimentalni DRS skup podataka za koji smo svesni, a koji je korišćen za obuku i validaciju modela za predviđanje optičkih svojstava DRS“, naglašava Iu.
Koristeći ovaj sveobuhvatni skup podataka, istraživači su potvrdili predloženi model VIR i uporedili ga sa MCI pristupom. Rezultati su bili, u najmanju ruku, veoma ohrabrujući.
„Kada se kombinuju sve greške u upotrebi na simuliranim podacima, VIR model je najbolje izbalansirao tačnost i brzinu, dajući greške od samo 1,75% za μ a i 1,53% za μ′ s, u poređenju sa MCI-jevim 50,9% za μ a i 24,6% za μ′ s. Što se tiče eksperimentalnih podataka, VIR model je imao srednje greške od 13,2% i 6,1% za μa i μ′s, respektivno, a greške za MCI su bile oko osam puta veće“, ističe dr Iu. „Dakle, VIR model nudi pouzdana predviđanja optičkih svojstava iz DRS podataka koji su otporni na greške u upotrebi.“
Predloženi pristup je manje računarski intenzivan od drugih tehnika zasnovanih na ML i MCI modela, što ga čini atraktivnom opcijom za klinička okruženja. Štaviše, uzimajući u obzir greške u upotrebi, VIR model može delimično da nadoknadi nedostatak opsežne obuke o medicinskoj opremi, što je uobičajeno među kliničarima u regionima sa ograničenim resursima.
Nadamo se da će metoda razvijena u ovoj studiji pomoći u ranoj dijagnozi raka i drugih bolesti, spašavanju života i smanjenju troškova zdravstvene zaštite.
