Kada se pacijent podvrgne hirurškoj operaciji za uklanjanje tumora ili lečenje bolesti, tok operacije često nije unapred određen. Da bi odlučili koliko tkiva treba da se ukloni, hirurzi moraju znati više o stanju koje leče, uključujući ivice tumora, njegov stadijum i da li je lezija maligna ili benigna – određivanja koja često zavise od prikupljanja, analize i dijagnostikovanja bolesti. dok je pacijent na operacionom stolu.
Kada hirurzi šalju uzorke patologu na pregled, i brzina i tačnost su od suštinskog značaja. Trenutni pristup zlatnih standarda za ispitivanje tkiva često traje predugo, a brži pristup, koji uključuje zamrzavanje tkiva, može uvesti artefakte koji mogu iskomplikovati dijagnostiku.
Nova studija istraživača iz laboratorije Mahmood u Brigam i ženskoj bolnici, jednog od osnivača sistema zdravstvene zaštite Mass General Brigham, i saradnika sa Univerziteta Bogazici razvila je bolji način; metoda koristi veštačku inteligenciju za prevođenje između zamrznutih delova i pristupa zlatnog standarda, poboljšavajući kvalitet slika kako bi se povećala tačnost brze dijagnostike. Nalazi su objavljeni u Nature Biomedical Engineering.
„Koristimo moć veštačke inteligencije da rešimo prastari problem na raskrsnici hirurgije i patologije“, rekao je odgovarajući autor Faisal Mahmood, dr., iz Odeljenja za računarsku patologiju u BVH. „Postavljanje brze dijagnoze iz uzoraka zamrznutog tkiva je izazovno i zahteva specijalizovanu obuku, ali ova vrsta dijagnoze je kritičan korak u brizi o pacijentima tokom operacije.
Za postavljanje konačne dijagnoze, patolozi koriste uzorke tkiva fiksirane u formalin i u parafin (FFPE) — ova metoda čuva tkivo na način koji proizvodi slike visokog kvaliteta, ali je proces naporan i obično traje 12 do 48 sati. Za brzu dijagnozu, patolozi koriste pristup poznat kao kriosekcija koji uključuje brzo zamrzavanje tkiva, sečenje preseka i posmatranje ovih tankih rezova pod mikroskopom. Kriosekcioniranje traje nekoliko minuta, a ne sati, ali može izobličiti ćelijske detalje i kompromitovati ili pokidati delikatno tkivo.
Mahmood i koautori razvili su model dubokog učenja koji se može koristiti za prevođenje između zamrznutih sekcija i češće korišćenog FFPE tkiva. U svom radu, tim je pokazao da se metoda može koristiti za podtipove različitih vrsta karcinoma, uključujući gliom i karcinom pluća ne-malih ćelija.
Tim je potvrdio svoje nalaze tako što je angažovao patologe u studiju čitalaca u kojoj je od njih zatraženo da postave dijagnozu na osnovu slika koje su prošle kroz AI metodu i tradicionalnih slika kriosekcije. Metoda veštačke inteligencije nije samo poboljšala kvalitet slike, već je poboljšala i dijagnostičku tačnost među stručnjacima. Algoritam je takođe testiran na nezavisno prikupljenim podacima iz Turske.
Autori napominju da bi u budućnosti trebalo sprovesti prospektivne kliničke studije kako bi se validirala AI metoda i utvrdilo da li može doprineti dijagnostičkoj tačnosti i donošenju hirurških odluka u stvarnim bolničkim okruženjima.
„Naš rad pokazuje da AI ima potencijal da učini vremenski osetljivu, kritičku dijagnozu lakšom i dostupnijom patolozima“, rekao je Mahmood. „I potencijalno bi se mogao primeniti na bilo koju vrstu operacije raka. To otvara mnoge mogućnosti za poboljšanje dijagnoze i nege pacijenata.“
