Duktalni karcinom in situ (DCIS) je vrsta preinvazivnog tumora koji ponekad napreduje do veoma smrtonosnog oblika raka dojke. To čini oko 25% svih dijagnoza raka dojke.
Pošto je kliničarima teško odrediti tip i stadijum DCIS-a, pacijenti sa DCIS-om se često previše leče. Da bi se ovo pozabavilo, interdisciplinarni tim istraživača sa MIT-a i ETH Ciriha razvio je AI model koji može identifikovati različite faze DCIS-a sa jeftine slike tkiva dojke koju je lako dobiti. Njihov model pokazuje da su i stanje i raspored ćelija u uzorku tkiva važni za određivanje stadijuma DCIS-a.
Pošto je takve slike tkiva tako lako dobiti, istraživači su uspeli da naprave jedan od najvećih skupova podataka te vrste, koji su koristili za obuku i testiranje svog modela. Kada su uporedili njegova predviđanja sa zaključcima patologa, našli su jasno slaganje u mnogim slučajevima.
U budućnosti, model bi se mogao koristiti kao alat za pomoć kliničarima da pojednostave dijagnozu jednostavnijih slučajeva bez potrebe za radno intenzivnim testovima, dajući im više vremena da procene slučajeve u kojima je manje jasno da li će DCIS postati invazivan.
„Napravili smo prvi korak u razumevanju da treba da gledamo na prostornu organizaciju ćelija kada dijagnostikujemo DCIS, a sada smo razvili tehniku koja je skalabilna. Odavde nam je zaista potrebna prospektivna studija. Rad sa bolnicom i dobijanje ovo sve do klinike biće važan korak napred“, kaže Kerolajn Uler, profesorka na Odseku za elektrotehniku i računarstvo (EECS) i Instituta za podatke, sisteme i društvo (IDSS).
Uhleru, ko-korespondentnom autoru rada o ovom istraživanju, pridružuje se glavni autor Ksinii Zhang, diplomirani student u EECS-u i Centru Eric i Vendi Schmidt; ko-korespondent GV Shivashankar, profesor mehogenomike na ETH Cirihu zajedno sa Institutom Paul Scherrer; i drugi na MIT-u, ETH Cirihu i Univerzitetu u Palermu u Italiji. Istraživanje otvorenog pristupa objavljeno je 20. jula u časopisu Nature Communications.
Između 30 i 50% pacijenata sa DCIS-om razvije visoko invazivnu fazu raka, ali istraživači ne znaju biomarkere koji bi kliničaru mogli reći koji će tumori napredovati.
Istraživači mogu da koriste tehnike kao što je multipleksirano bojenje ili jednoćelijsko sekvenciranje RNK da bi odredili stadijum DCIS-a u uzorcima tkiva. Međutim, ovi testovi su preskupi da bi se široko izvodili, objašnjava Šivašankar.
U prethodnom radu, ovi istraživači su pokazali da jeftina tehnika zamišljanja poznata kao bojenje hromatinom može biti informativna kao i mnogo skuplje jednoćelijsko sekvenciranje RNK.
Za ovo istraživanje, oni su pretpostavili da bi kombinovanje ove pojedinačne mrlje sa pažljivo dizajniranim modelom mašinskog učenja moglo da pruži iste informacije o stadijumu raka kao i skuplje tehnike.
Prvo su napravili skup podataka koji sadrži 560 slika uzoraka tkiva od 122 pacijenta u tri različite faze bolesti. Koristili su ovaj skup podataka da obuče AI model koji uči reprezentaciju stanja svake ćelije na slici uzorka tkiva, koju koristi da zaključi stadijum raka pacijenta.
Međutim, nije svaka ćelija pokazatelj raka, pa su istraživači morali da ih agregiraju na smislen način.
Oni su dizajnirali model za stvaranje klastera ćelija u sličnim stanjima, identifikujući osam stanja koja su važni markeri DCIS-a. Neka stanja ćelija više ukazuju na invazivni rak od drugih. Model određuje udeo ćelija u svakom stanju u uzorku tkiva.
„Ali kod raka, organizacija ćelija se takođe menja. Otkrili smo da samo postojanje proporcija ćelija u svakom stanju nije dovoljno. Takođe morate da razumete kako su ćelije organizovane“, kaže Šivašankar.
Sa ovim uvidom, dizajnirali su model da uzme u obzir proporciju i raspored stanja ćelija, što je značajno povećalo njegovu tačnost.
„Zanimljivo za nas je bilo da vidimo koliko je prostorna organizacija važna. Prethodne studije su pokazale da su ćelije koje su blizu grudnog kanala važne. Ali takođe je važno razmotriti koje ćelije su blizu kojim drugim ćelijama“, kaže Zhang.
Kada su uporedili rezultate svog modela sa uzorcima koje je procenio patolog, imali su jasnu saglasnost u mnogim slučajevima. U slučajevima koji nisu bili tako jasni, model bi mogao da pruži informacije o karakteristikama u uzorku tkiva, kao što je organizacija ćelija, koje bi patolog mogao da koristi u donošenju odluka.
Ovaj svestrani model bi takođe mogao biti prilagođen za upotrebu u drugim vrstama raka, ili čak neurodegenerativnim stanjima, što je jedna oblast koju istraživači takođe trenutno istražuju.
„Pokazali smo da, uz prave tehnike veštačke inteligencije, ova jednostavna mrlja može biti veoma moćna. Ima još mnogo istraživanja koja treba da se uradi, ali moramo da uzmemo u obzir organizaciju ćelija u više naših studija“, kaže Uler.
