Исследователи из UT Southwestern разработали программный инструмент, который использует искусственный интеллект для распознавания раковых клеток по цифровым изображениям патологии, что дает врачам мощный способ прогнозирования результатов лечения пациентов.
Пространственное распределение различных типов клеток может выявить характер роста рака, его взаимосвязь с окружающей микросредой и иммунный ответ организма. Но процесс идентификации всех клеток на слайде с патологией вручную чрезвычайно трудоемок и подвержен ошибкам.
"Поскольку в образце ткани обычно миллионы клеток, патолог может проанализировать только такое количество слайдов за день. Для постановки диагноза патологоанатомы обычно подробно исследуют только несколько «репрезентативных» областей, а не весь слайд. Однако при таком подходе могут быть упущены некоторые важные детали," сказал доктор. Гуанхуа "Энди" Сяо, автор-корреспондент исследования, опубликованного в EBioMedicine, и профессор науки о народонаселении и данных в Юго-Западном Юта.
Человеческий мозг, доктор. Сяо добавил, что не умеет улавливать тонкие морфологические закономерности. Поэтому основная техническая проблема в систематическом изучении микросреды опухоли состоит в том, как автоматически классифицировать различные типы клеток и количественно определять их пространственное распределение, сказал он.
Алгоритм AI, который доктор. Сяо и его команда разработали ConvPath, который преодолевает эти препятствия, используя ИИ для классификации типов клеток по изображениям патологии рака легких.
Вот как это работает: алгоритм ConvPath может "Смотреть" в клетках и идентифицируйте их типы на основе их появления на изображениях патологий с помощью алгоритма ИИ, который учится у патологов-людей. Этот алгоритм эффективно преобразует изображение патологии в "карта" который отображает пространственное распределение и взаимодействия опухолевых клеток, стромальных клеток (i.е., клетки соединительной ткани) и лимфоциты (я.е., лейкоциты) в опухолевой ткани.
Сгруппированы ли опухолевые клетки вместе или распространяются в стромальные лимфатические узлы, является фактором, определяющим иммунный ответ организма. Таким образом, знание этой информации может помочь врачам составить индивидуальный план лечения и определить правильную иммунотерапию.
В конечном итоге алгоритм помогает патологам получить наиболее точный анализ раковых клеток гораздо быстрее.
"Патологам сложно найти очень маленькие области опухоли на изображениях тканей, и это может значительно сократить время, которое патологи должны тратить на каждое изображение," сказал доктор. Сяо, который также работает в отделе биоинформатики Lyda Hill и является членом Центра количественных биомедицинских исследований (QBRC) и Harold C. Комплексный онкологический центр Симмонса при UTSW.
Программное обеспечение ConvPath, которое включает в себя алгоритмы сегментации изображений, глубокого обучения и извлечения признаков, общедоступно на qbrc.качнулся.edu / projects / cnn / .