Mapiranje zloćudnih tumora: Umjetna inteligencija pomaže u ranom otkrivanju bolesti
Grupa međunarodnih znanstvenika razvila je naprednu, inovativnu aplikaciju umjetne inteligencije koja bi se mogla koristiti za ispitivanje uzoraka tkiva i prepoznavanje ranih znakova bolesti
Velika međunarodna suradnja na čelu sa stručnjacima Sveučilišta u Sydneyju razvila je inovativnu, naprednu aplikaciju PathoFusion. Ova aplikacija može se koristiti za ispitivanje uzoraka tkiva kako bi se u ranoj fazi otkrile indikacije raka.
Napredne tehnike snimanja
Istraživanje je objedinilo doprinose informatičara, neuropatologa, neurokirurga, onkologa i medicinskog snimanja.
"Htjeli smo stvoriti novi napredni model dubokog učenja za prepoznavanje malignih značajki i markera imunološkog odgovora, neovisno o ljudskoj intervenciji, i istovremeno ih mapirati u digitalnu sliku", objasnio je profesor Richard Banati koji već neko vrijeme urođeni imunološki sustav mozga proučava pomoću naprednih medicinskih tehnika snimanja.
Znanstvenici su posebno dizajnirali bifokalni okvir dubokog učenja. Ovaj okvir koristi konvolucijsku neuronsku mrežu (ConvNet / CNN), izvorno razvijenu za klasifikaciju prirodnih slika. On može razlučiti i rangirati važnost različitih aspekata i objekata na slikama.
Pouzdan, precizan i osjetljiv
Istraživači su proučili slučajeve glioblastoma, agresivnog karcinoma koji utječe na mozak ili kralježnicu i softver obučili uz pomoć neuropatologa. Pokazalo se kako je aplikacija postigla visoku razinu preciznosti u prepoznavanju i mapiranju šest tipičnih neuropatoloških značajki, biljega zloćudnog tumora.
PathoFusion je pouzdano identificirao oblike i strukturne značajke s preciznošću 94% i osjetljivošću 94,7% te imunološke biljege s preciznošću 96,2% i osjetljivošću 96,1%.
Aplikacija kombinira slojeve informacija o mrtvom ili umirućem tkivu, o razmnožavanju mikroskopskih krvnih žila i drugih krvnih žila s ekspresijom tumorskog genetskog biljega CD276, na slici koja kombinira podatke u toplinskoj mapi. Slika pritom koristi jake boje za prikaz značajki i njihove distribucije.
"Istraživanje je potvrdilo da je moguće učinkovito trenirati neuronske mreže koristeći samo relativno mali broj slučajeva, što bi trebalo biti korisno za neke scenarije", rekao je Banati.
Konvolucijske neuronske mreže
Istraživanje je naučilo konvolucijske neuronske mreže da prepoznaju ključne značajke na obojenim dijapozitivima, poboljšalo modele i povećalo učinkovitost prepoznavanja značajki, i to na manje fizičkih slučajeva nego što je inače potrebno da bi se utrenirala neuronske mreža.
"Ovaj bi model mogao olakšati mikroskopske analize i koristiti pacijentima na područjima u kojima je otežan pristup odgovarajućim medicinskim ustanovama", vjeruje Banati.
