Dio zdravog tkiva koji se odstranjuje zajedno s tumorom važan je pokazatelj uspješnosti operacije i petogodišnjeg preživljenja pacijenata. Tijekom zahvata onkološki kirurzi oslanjaju se na brzu, intraoperativnu analizu uzoraka koju provodi patolog. No, zbog čestog prodiranja tumora u okolno tkivo, iznimno je zahtjevno precizno odrediti gdje rezati.
To je proces, koji u novom priopćenju detaljno opisuje IRB, a čiji su znanstvenici u suradnji s međunarodnim partnerima i domaćim bolnicama, razvili "metodu računalne patologije koja uz pomoć posebne vrste snimanja histopatoloških preparata omogućuje preciznije određivanje granica tumora". Istraživanje je trajalo osam godina, ističu iz IRB-a, a uspješnost metode pokazali su na primjeru metastaza raka debelog crijeva u jetri.
Odlični rezultati
Tim pod vodstvom dr. sc. Ivice Koprive iz Laboratorija za strojno učenje i reprezentacije znanja IRB-a, u suradnji s tvrtkom Photon etc iz Kanade, patologinjama iz Kliničke bolnice Dubrava i Kliničkog bolničkog centra Zagreb, te suradnicima iz Zavoda za molekularnu medicinu IRB-a i Tehničkog Sveučilišta u Münchenu razvio je metodu računalne analize hiperspektralne slike histopatoloških preparata. Ova metoda omogućuje precizno određivanje granica tumorskog tkiva raka debelog crijeva metastaziranog u jetru. Sustav s više od 96 posto preciznosti razlikuje tumorske od zdravih stanica na razini piksela.
– Za razliku od uobičajenih metoda strojnog i dubokog učenja, razvijeni algoritam segmentacije temeljen na Grassmannovim mnogostrukostima radi u polunadziranom modu i zahtijeva samo jedan posto označenih podataka sa strane patologa – objašnjava dr. sc. Ivica Kopriva te nadalje objašnjava kako se metode računalne patologije tradicionalno oslanjaju na RGB (kolor) slike histopatoloških preparata, što znači da koriste samo informacije vidljive ljudskom oku. Time se gubi velik dio podataka koji se nalaze izvan vidljivog spektra. Zato se sve češće primjenjuje hiperspektralno snimanje, tehnologija koja otkriva puno širi raspon informacija i otvara nove mogućnosti u medicini.
– Proces pripreme histopatoloških preparata može dovesti do razlika u kvaliteti snimljenih slika. Kod klasičnih kolor-slika postoje algoritmi koji ublažavaju te razlike, no za hiperspektralne snimke takvi alati još ne postoje. Zbog toga iste vrste tkiva mogu izgledati različito, čak i unutar jedne slike, što otežava računalnu analizu. To uvelike otežava i treniranje umjetne inteligencije koja bi trebala prepoznavati i razdvajati tumorske od zdravih stanica na hiperspektralnim slikama. Dodatni problem je da učenje dubokih mreža zahtijeva velik broj slika označenih na razini piksela sa strane nekoliko patologa. Zbog toga je primjena takvih metoda u preciznom razdvajanju tumorskog i zdravog tkiva još uvijek vrlo ograničena – stoji u priopćenju te se u nastavku objašnjava da je, kako bi prevladali ove izazove, tim razvio novu metodu umjetne inteligencije koja može učiti iz vrlo malog broja označenih primjera. Metoda koristi i boje (spektar) i oblike u tkivu te tako precizno razlikuje tumorske od zdravih stanica već na razini pojedine slike. Rezultati koje su znanstvenici dobili su vrlo uvjerljivi.
Renomirani časopis
– Metoda je postigla znatno bolju točnost nego šest različitih arhitektura dubokih neuronskih mreža koje za učenje zahtijevaju daleko više označenih podataka. To ovu metodu čini potencijalno pogodnom za stvarne kliničke uvjete, u kojima često nema vremena ni resursa za označavanje tisuća uzoraka ili treniranje vrlo zahtjevnih modela – navodi dr. Kopriva. To u konačnici znači da tehnologija hiperspektralnog oslikavanja u kombinaciji s algoritmima za analizu slike ima potencijal asistiranja kirurgu za vrijeme operacije. To može značiti precizniju procjenu resekcijske margine i dulji život pacijenta nakon operacije.
Cijelo istraživanje objavljeno je u renomiranom znanstvenom časopisu Computers in Biology and Medicine, koji spada u sam vrh časopisa u području biologije i računalnih znanosti.
Metoda je potencijalno pogodna za stvarne kliničke uvjete, u kojima često nema vremena ni resursa za označavanje tisuća uzoraka ili treniranje vrlo zahtjevnih modela
Otvori KEKS Pay
