Duktalni karcinom in situ (DCIS) predstavlja preinvazivni oblik tumora dojke koji može progresirati u opasnije stadije bolesti. Ovaj tip raka čini otprilike 25 posto svih dijagnoza raka dojke.

Zbog složenosti u preciznom određivanju tipa i stadija DCIS-a, pacijenti često prolaze kroz nepotrebno intenzivne tretmane. Kako bi se ovaj problem smanjio, interdisciplinarni istraživački tim s MIT-a i ETH Zuricha razvio je napredni AI model. Ovaj model omogućava prepoznavanje različitih stadija DCIS-a koristeći jednostavne i pristupačne slike tkiva dojke. Kroz istraživanje je pokazano da su i stanje i raspored stanica unutar uzorka ključni za točno određivanje stadija DCIS-a.

S obzirom na dostupnost ovih slika tkiva, istraživači su stvorili jednu od najvećih baza podataka te vrste, koja je korištena za treniranje i testiranje AI modela. Kada su usporedili predikcije modela s dijagnozama patologa, utvrdili su visoku razinu podudarnosti.

U budućnosti, ovaj model može pomoći liječnicima u efikasnijem dijagnosticiranju jednostavnijih slučajeva bez potrebe za kompliciranim testovima, omogućujući im više vremena za detaljnu analizu slučajeva kod kojih je teško predvidjeti hoće li DCIS postati invazivan.

"Postavili smo temelje za bolje razumijevanje važnosti prostorne organizacije stanica pri dijagnosticiranju DCIS-a. Sada smo razvili tehniku koja se može široko primijeniti. Daljnje istraživanje i suradnja s bolnicama bit će ključni koraci za primjenu ovog modela u kliničkoj praksi," izjavila je Caroline Uhler, profesorica na Odsjeku za elektrotehniku i računalne znanosti (EECS) i Institutu za podatkovne sustave i društvo (IDSS). Također je direktorica Eric i Wendy Schmidt centra na Broad institutu MIT-a i Harvarda te istraživačica u MIT-ovom Laboratoriju za informacijske i odluke sustave (LIDS).

Kombiniranje slika i umjetne inteligencije
Između 30 i 50 posto pacijenata s DCIS-om razvije invazivni stadij raka. Međutim, istraživači još uvijek ne znaju koje biomarkere koristiti za predviđanje tog prijelaza. Tehnike poput multiplexiranog bojenja ili sekvenciranja RNA na razini pojedinačnih stanica mogu pomoći u određivanju stadija DCIS-a, no te su metode preskupe za široku primjenu.

U prethodnim istraživanjima, znanstvenici su pokazali da jeftina tehnika poznata kao bojenje kromatina može biti jednako informativna kao i skuplje metode. Za ovu studiju, istraživači su pretpostavili da kombinacija ove tehnike s naprednim modelom strojnog učenja može pružiti slične informacije o stadiju raka kao i skuplje metode.

Prvo su stvorili skup podataka koji sadrži 560 slika uzoraka tkiva od 122 pacijenta u tri različita stadija bolesti. Ovaj skup podataka korišten je za treniranje AI modela koji uči reprezentaciju stanja svake stanice u slici uzorka tkiva, te na temelju toga inferira stadij raka pacijenta.

Međutim, ne svaka stanica pokazuje znakove raka, pa su istraživači morali naći način za njihovo smisleno agregiranje. Dizajnirali su model koji stvara klastere stanica u sličnim stanjima, identificirajući osam stanja koja su važni markeri DCIS-a. Neka stanja stanica su indikativnija za invazivni rak od drugih. Model određuje udio stanica u svakom stanju unutar uzorka tkiva.

Važnost organizacije
"U raku, organizacija stanica također se mijenja. Otkrili smo da samo posjedovanje udjela stanica u svakom stanju nije dovoljno. Također morate razumjeti kako su stanice organizirane," objašnjava Shivashankar.

S ovim uvidom, model je dizajniran da uzima u obzir i udio i raspored stanja stanica, što je značajno povećalo njegovu točnost. "Zanimljivo nam je bilo vidjeti koliko je prostorna organizacija važna. Prethodne studije su pokazale da su stanice koje su blizu mliječnih kanala važne. No, također je važno razmotriti koje su stanice blizu kojih drugih stanica," kaže Zhang.

Kada su usporedili rezultate svog modela s uzorcima koje su evaluirali patolozi, model je pokazao visoku razinu podudarnosti u mnogim slučajevima. U slučajevima koji nisu bili jasni, model je mogao pružiti informacije o značajkama uzorka tkiva, poput organizacije stanica, koje patolozi mogu koristiti u donošenju odluka.

Ovaj svestrani model može se prilagoditi za upotrebu kod drugih vrsta raka ili čak neurodegenerativnih stanja, što je jedno od područja koja istraživači trenutno istražuju. "Pokazali smo da, s pravim AI tehnikama, ovaj jednostavan stain može biti vrlo moćan. Još uvijek je potrebno puno istraživanja, ali moramo uzeti u obzir organizaciju stanica u više naših studija," zaključuje Uhler.

Ovo istraživanje djelomično su financirali Eric i Wendy Schmidt centar na Broad institutu, ETH Zurich, Paul Scherrer institut, Švicarska nacionalna zaklada za znanost, Američki nacionalni instituti za zdravlje, Američki ured za mornarička istraživanja, MIT Jameel klinika za strojno učenje i zdravlje, MIT-IBM Watson AI laboratorij i Simons Investigator nagrada.

Izvor: Massachusetts Institute of Technology