Uneltele, numite SMMILe (Superpatch-based Measurable Multiple Instance Learning), nu doar se potrivesc sau depășesc performanța uneltelor actuale de clasificare a țesutului pe imagini întregi (WSI) pentru detectarea celulelor canceroase în biopsiile tumorale și secțiunile chirurgicale, dar și prezic unde se află leziunile tumorale și proporția zonelor cu diferite niveluri de agresivitate.
„SMMILe iese în evidență deoarece oferă o cuantificare precisă, conștientă de scenă, a tipurilor de țesuturi în contexte patologice diverse,” a declarat cercetătorul principal Zeyu Gao, doctor în științe, de la Departamentul de Oncologie al Universității Cambridge din Marea Britanie.
„În loc să simplifice clasificarea unei lame, este capabil să măsoare cum sunt organizate spațial diferitele subtipuri tumorale, grade și componente de țesut înconjurătoare, oferindu-ne o viziune structurată și cu adevărat cantitativă a țesutului,” a declarat acesta pentru Inside Precision Medicine.
Într-un articol publicat în Nature Cancer, Gao și co-autorii săi explică că cuantificarea spațială reprezintă un pas critic în majoritatea sarcinilor de patologie computațională deoarece îi ghidează pe patologi către zonele de interes clinic, poate fi folosită în descoperirea biomarkerilor și ar putea facilita sarcini ulterioare precum secvențierea rezolvată spațial.
Dezvoltarea modelelor de patologie computațională conștiente spațial este limitată de necesitatea de a avea anotări spațiale detaliate, care adesea sunt infezabile din cauza scalei vaste a imaginilor gigapixel și a necesității de cunoștințe specializate.
Pentru a depăși necesitatea de anotări manuale, uneltele moderne de patologie computațională folosesc abordări de învățare multi-instanță care iau o abordare „bazată pe reprezentare”. Acestea extrag caracteristici din multe regiuni mici ale unei lame și apoi folosesc un mecanism de atenție pentru a combina aceste caracteristici. Acest lucru permite modelului să facă predicții pentru întreaga lamă, evidențiind în același timp regiunile cele mai importante.
Aceste modele au fost folosite cu succes în screening-ul și diagnosticul cancerului, precum și pentru găsirea markerilor moleculari și prezicerea răspunsului la tratament. Dar hărțile de atenție pe care le produc pot fi interpretate doar prin inspecția vizuală, ceea ce este calitativ și din ce în ce mai considerat suboptimal pentru a face predicții precise spațiale.
Pentru a aborda această problemă, Gao și echipa sa au dezvoltat SMMILe, o metodă de analiză WSI concepută pentru a efectua cuantificarea spațială alături de clasificarea WSI. În mod important, uneltele au fost antrenate folosind lame care au primit etichete de diagnostic simple la nivel de pacient, cum ar fi tipul sau gradul de cancer, fără a avea nevoie de anotări detaliate regiune cu regiune de la patologi.
Cercetătorii au testat algoritmul pe opt
Sursa: [Articolul original](link)
Senior Editor RevistaSanatatii.ro. Pasionat de lifespan, fan David Sinclair.
