En computermodel har lært at opdage prostatakræft

Forskere ved TSU Laboratory of Biophotonics, arbejder med Tomsk National Research Medical Center (TNIMC) onkologer, har udviklet en ny tilgang til diagnosticering af adenokarcinom, en ondartet tumor i prostatakirtlen, der bruger kunstig intelligens til at identificere onkopatologi og bestemme sygdomsstadiet. Ved hjælp af maskinlæring, en computermodel blev lært at skelne mellem sundt væv og patologi med 100 procent nøjagtighed.

Guldstandarden for diagnosticering af kræft er histologi, hvor væv fra en patient undersøges for maligne forandringer. Så prøverne kan opbevares i lang tid, de er dehydreret og pakket i paraffin. Derefter laver eksperter tynde snit og undersøger disse objektglas under et mikroskop.

"Som regel, flere mennesker arbejder med prostatabiopsiprøver, og efter at have studeret afsnittene, de træffer en kollegial beslutning, " siger Yuri Kistenev, administrerende direktør for TSU Institute of Biomedicine. "Den menneskelige faktor er ikke blevet elimineret, derfor, på grund af subjektiv vurdering, der er fejlagtige konklusioner. Vi forsøgte at løse dette problem ved hjælp af it-teknologier – vi udviklede en computermodel og, gennem maskinlæring, lærte det, hvordan man opdager unormale områder ved hjælp af et værktøj som terahertz-spektroskopi."

Ifølge Yuri Kistenev, i analysen, kunstig intelligens registrerer ikke kun tilstedeværelsen af ​​kræftceller, men vurderer også tumoren i henhold til Gleason-score, som traditionelt bruges til diagnosticering af prostatacancer til at bestemme graden af ​​malignitet (indikatorer fra 1 til 10), hvilket er vigtigt i forhold til at forudsige sygdomsforløbet.

"Terahertz-spektroskopi visualiserer prøven meget godt, fordi en laser læser fra 2500 til 4000 punkter i et lille område, " siger Anastasia Knyazkova, TSU kandidatstuderende, en af ​​projektlederne. "En computermodel blev uddannet i prøver af sundt og sygt væv, som blev leveret af Research Institute of Oncology, TNIMC. Dermed, kunstig intelligens lærte at adskille normen og patologien. En test af dets evne til at verificere adenocarcinom blev udført på den del af prøverne, der ikke blev brugt til træning. Vurdering af maligniteten blev udført for prøver med en rangering på 4 og 8 på Gleason-skalaen. Nøjagtigheden af ​​differentialdiagnosen var 100 procent. "

Ifølge personalet på Laboratoriet for Biofotonik, efterhånden som dataene akkumuleres, modellen vil være i stand til at evaluere tumoren på hele Gleason-skalaen, hvorefter det nye værktøj kan introduceres i klinisk praksis. Som Yuri Kistenev bemærkede, tilgangen er universel. Det er allerede blevet testet for diagnosticering af melanom. Hvis der er en tilstrækkelig mængde træningsmateriale (prøver med norm og patologi), modellen kan trænes i diagnosticering af andre kræftformer.