Skupina vědců z tria univerzit vyvinula nový systém analýzy tkáně pro diagnostiku rakoviny prsu založený na umělé inteligenci (AI). Inovativní systém zároveň poskytuje vysvětlení rozhodovacího procesu AI prostřednictvím tepelných map.
Podle magazínu Nature Machine Intelligence, ve kterém byl výzkum publikován, tepelné mapy ukazují pixel po pixelu, které vizuální informace ovlivnily rozhodovací proces umělé inteligence a do jaké míry. To lékařům umožňuje porozumět a posoudit věrohodnost výsledků. Inovace představuje zásadní krok kupředu pro budoucí využití systémů AI v nemocnicích po celém světě.
Princip léčby
Léčba rakoviny se stále více orientuje na molekulární charakterizaci vzorků nádorových tkání. Provádějí se studie zjišťující, jestli a jak se mění DNA v nádorové tkáni. Stejně jako genová a proteinová exprese ve vzorku tkáně. Současně si vědci stále více uvědomují, že progrese rakoviny úzce souvisí s mezibuněčnou vzájemnou interakcí neoplastických buněk s okolní tkání – tedy včetně imunitního systému.
Ačkoli mikroskopické techniky umožňují studovat biologické procesy s velkými prostorovými detaily, poskytují pouze omezené měření molekulárních markerů. Ty se spíše určují pomocí proteinů nebo DNA odebrané z tkáně. Výsledkem je, že prostorové detaily nejsou ideální a vztah mezi těmito markery a mikroskopickými strukturami je obvykle nejasný.
„Víme, že v případě rakoviny prsu má počet imigrovaných imunitních buněk, známých jako lymfocyty, v nádorové tkáni vliv na prognózu pacienta. Diskutuje se také o tom, zda má toto číslo prediktivní hodnotu – jinými slovy, jestli nám to umožní říct, jak efektivní je konkrétní terapie,“ komentuje výsledky výzkumu Frederick Klauschen z patologického ústavu berlínské lékařské univerzity Charité.
Rozluštění výzkumné otázky
„Problém je následující – máme dobrá a spolehlivá molekulární data, stejně jako histologická data s vysokými prostorovými detaily. To, co zatím chybí, je rozhodující vazba mezi zobrazovacími daty a molekulárními daty,“ dodává Klaus-Robert Müller, specialista na strojové učení z Technické univerzity Berlín (TUB).
Právě tuto symbiózu umožňuje nově publikovaný přístup. „Náš systém usnadňuje detekci patologických změn v mikroskopických obrazech. Souběžně s tím jsme schopni poskytnout přesnou vizualizaci teplotní mapy, ukazující, který pixel v mikroskopickém obrazu přispěl k diagnostickému algoritmu a do jaké míry,“ vysvětluje dále Müller. Výzkumnému týmu se navíc podařilo tento proces dále rozvinout. Odborník z TUB to komentuje následovně: „Náš analytický systém byl trénován pomocí procesů strojového učení, takže dokáže předvídat také různé molekulární charakteristiky, včetně stavu DNA, genové exprese i proteinové exprese ve specifických oblastech tkáně na základě histologických obrazů.“
