Detectarea timpurie a metastazelor în care celulele canceroase se răspândesc prin corp, ar putea permite medicilor să ofere terapii adecvate. Introducerea inteligenței artificiale (AI) și analiza îmbunătățită a imaginilor au contribuit la îmbunătățirea preciziei diagnosticelor. Pentru a ajuta medicii specialiști în identificarea ganglionilor limfatici metastatici (MLN), cercetătorii de la Universitatea Xidian și Spitalul Changhai din China au dezvoltat o abordare de calcul pentru a prezice rezultatele clinice ale pacienților cu cancer gastric.

Cancerul de stomac, cunoscut și sub numele de cancer gastric, apare atunci când celulele din mucoasa interioară a stomacului încep să crească anormal. Dacă nu sunt tratate mai mulți ani, aceste celule anormale se pot dezvolta într-o tumoare. În mod tradițional, patologii experimentați examinează ganglionii limfatici excizați pentru prezența metastazelor cancerului gastric și evaluează morfologia țesutului cu ajutorul unui microscop optic. Deși acesta este un standard acceptabil de practică, procesul poate fi obositor și poate duce la erori umane.

Grupul multidisciplinar, condus de Guanzhen Yu și Xiyang Liu, a dezvoltat un cadru de învățare profundă pentru identificarea și analiza micrometastazelor (cu un diametru mai mic de 2 mm) în ganglionii limfatici. Cadrul a fost conceput pentru a descoperi raportul dintre zona tumorii și zona MLN (T / MLN) din imagini de diapozitive întregi. Echipa a testat abordarea pe două seturi de date independente ale pacienților cu cancer gastric.

Precizia diagnosticului cu asistență AI

Cercetătorii subliniază că, în timp ce medicii specialiști posedă o mai bună specificitate în detectarea țesuturilor tumorale, AI oferă scalabilitate a performanței datorită sensibilității și vitezei sale. Combinarea celor două ar putea oferi rezultatul cel mai semnificativ din punct de vedere clinic.

Cercetătorii au digitalizat mai întâi eșantioane de ganglioni limfatici metastatici și le-au adnotat pentru a crea un set de date de antrenament. Apoi au supus acest set de date unui algoritm de învățare profundă pentru clasificare și segmentare. Aceste etape au dus la un calcul precis al proporțiilor componentelor tumorale și ganglionilor limfatici din probe.

Analizele rezultatelor învățării profunde au raportat o consistență de 94,5% în detectarea ganglionilor limfatici între diagnosticul AI și diagnosticul original. Cercetătorii au demonstrat că, cu asistența AI, un patolog a avut nevoie în medie de 2-6 minute pentru a diagnostica ganglionul limfatic al unui pacient. Fără asistență AI, diagnosticul a durează între 3-15 minute.

Acest potențial de a spori performanța cu analiza asistată de inteligența artificială va îmbunătăți pronosticul pacientului și va scurta timpul necesar pentru deciziile terapeutice.

Predicția cancerului gastric

O provocare la prezicerea pronosticului cancerului este informația insuficientă dobândită în timpul evaluării diagnosticului. Cu toate acestea, arhitectura de învățare profundă dezvoltată în acest studiu a reușit să identifice eficient MLN-urile, reducând astfel rata diagnosticului ratat de către medicii specialiști. Cercetătorii observă că rezultatele pacienților cu cancer au fost corelate cu aria tumorii metastatice din ganglionii limfatici metastatici. Prin urmare, aceștia ar putea utiliza algoritmul AI pentru a calcula numărul precis de celule tumorale din ganglionii limfatici metastatici și să-l implementeze ca un marker de pronostic pentru cancerul gastric.

Învățarea profundă permite vizualizarea macrometastazelor (rândul de jos), precum și a micrometastazelor mai mici, cu un diametru mai mic de 2 mm (rândul de sus).

Cercetătorii subliniază că rezultatele predicției în acest studiu sunt reprezentative pentru o cohortă de cancer gastric dintr-o națiune individuală. Cu toate acestea, aceștia propun ca inteligența artificială să fie testat într-un studiu clinic la scară largă în mai multe țări. Oamenii de știință cred că acest lucru ar valida algoritmul și ar permite medicilor să îmbunătățească rezultatele tratamentului.

 

 

Sursă material & imagine physicsworld.com.