Zastosowanie technologii AI w diagnostyce DCIS przynosi rewolucję w leczeniu raka piersi poprzez dokładną analizę tkanek

Rak przewodowy in situ (DCIS) to przedinwazyjna forma raka piersi, która może przechodzić w bardziej niebezpieczne stadia choroby. Ten typ raka stanowi około 25 procent wszystkich diagnoz raka piersi.

Ze względu na złożoność w dokładnym określeniu typu i stadium DCIS, pacjenci często przechodzą przez niepotrzebnie intensywne terapie. Aby zmniejszyć ten problem, interdyscyplinarny zespół badawczy z MIT i ETH Zurich opracował zaawansowany model AI. Ten model umożliwia rozpoznawanie różnych stadiów DCIS przy użyciu prostych i dostępnych obrazów tkanki piersi. Badania wykazały, że zarówno stan, jak i układ komórek w próbce są kluczowe dla dokładnego określenia stadium DCIS.

Z uwagi na dostępność tych obrazów tkanki, naukowcy stworzyli jedną z największych baz danych tego rodzaju, która została wykorzystana do szkolenia i testowania modelu AI. Porównując przewidywania modelu z diagnozami patologów, stwierdzono wysoki poziom zgodności.

W przyszłości ten model może pomóc lekarzom w bardziej efektywnym diagnozowaniu prostszych przypadków bez konieczności przeprowadzania skomplikowanych testów, dając im więcej czasu na szczegółową analizę przypadków, w których trudno przewidzieć, czy DCIS stanie się inwazyjny.

"Położyliśmy podwaliny pod lepsze zrozumienie znaczenia przestrzennej organizacji komórek przy diagnozowaniu DCIS. Teraz opracowaliśmy technikę, którą można szeroko zastosować. Dalsze badania i współpraca z szpitalami będą kluczowymi krokami do wdrożenia tego modelu w praktyce klinicznej," powiedziała Caroline Uhler, profesor w Katedrze Elektrotechniki i Informatyki (EECS) oraz Instytucie Systemów Danych i Społeczeństwa (IDSS). Jest także dyrektorem Centrum Eric i Wendy Schmidt w Broad Institute of MIT i Harvard oraz badaczem w MIT Laboratory for Information and Decision Systems (LIDS).

Łączenie obrazów i sztucznej inteligencji
Między 30 a 50 procent pacjentów z DCIS rozwija inwazyjny rak. Naukowcy wciąż jednak nie wiedzą, jakich biomarkerów używać do przewidywania tego przejścia. Techniki takie jak multiplexowe barwienie lub sekwencjonowanie RNA na poziomie pojedynczych komórek mogą pomóc w określeniu stadium DCIS, ale te metody są zbyt kosztowne do szerokiego zastosowania.

W wcześniejszych badaniach naukowcy wykazali, że tania technika znana jako barwienie chromatyny może być tak samo informatywna jak droższe metody. W ramach tego badania naukowcy założyli, że połączenie tej techniki z zaawansowanym modelem uczenia maszynowego może dostarczyć podobnych informacji o stadiach raka jak droższe metody.

Najpierw stworzyli zbiór danych zawierający 560 obrazów próbek tkanek od 122 pacjentów w trzech różnych stadiach choroby. Zbiór ten został wykorzystany do szkolenia modelu AI, który uczy się reprezentacji stanu każdej komórki w obrazie próbki tkanki i na tej podstawie wnioskuje o stadium raka pacjenta.

Jednak nie każda komórka wykazuje oznaki raka, więc naukowcy musieli znaleźć sposób na ich sensowne zagregowanie. Zaprojektowali model, który tworzy klastry komórek w podobnych stanach, identyfikując osiem stanów, które są ważnymi markerami DCIS. Niektóre stany komórek są bardziej wskazujące na inwazyjny rak niż inne. Model określa odsetek komórek w każdym stanie w próbce tkanki.

Znaczenie organizacji
"W przypadku raka zmienia się również organizacja komórek. Odkryliśmy, że samo posiadanie odsetka komórek w każdym stanie nie jest wystarczające. Musisz również zrozumieć, jak komórki są zorganizowane," wyjaśnia Shivashankar.

Z tą wiedzą model został zaprojektowany tak, aby uwzględniał zarówno odsetek, jak i rozmieszczenie stanów komórek, co znacznie zwiększyło jego dokładność. "Ciekawe było zobaczyć, jak ważna jest przestrzenna organizacja. Wcześniejsze badania wykazały, że komórki blisko przewodów mlecznych są ważne. Jednak ważne jest również uwzględnienie, które komórki są blisko innych komórek," mówi Zhang.

Porównując wyniki swojego modelu z próbkami ocenianymi przez patologów, model wykazał wysoki poziom zgodności w wielu przypadkach. W przypadkach, które nie były jasne, model mógł dostarczyć informacji o cechach próbki tkanki, takich jak organizacja komórek, które patolodzy mogą wykorzystać przy podejmowaniu decyzji.

Ten wszechstronny model może być dostosowany do zastosowania w innych typach raka lub nawet w stanach neurodegeneracyjnych, co jest jednym z obszarów, które naukowcy obecnie badają. "Wykazaliśmy, że dzięki odpowiednim technikom AI ta prosta barwa może być bardzo potężna. Nadal potrzebne jest wiele badań, ale musimy uwzględniać organizację komórek w większej liczbie naszych badań," podsumowuje Uhler.

To badanie było częściowo finansowane przez Centrum Erica i Wendy Schmidta w Broad Institute, ETH Zurich, Instytut Paula Scherrera, Szwajcarską Narodową Fundację Nauki, Narodowe Instytuty Zdrowia USA, Biuro Badań Morskich USA, Klinikę Jameela MIT dla uczenia maszynowego i zdrowia, MIT-IBM Watson AI Lab oraz nagrodę Simons Investigator.

Źródło: Massachusetts Institute of Technology