Ученые ТГУ научили искусственный разум с высокой точностью вычислять рак простаты
Ученые ТГУ совместно с онкологами ТНИМЦ разработали новый подход к диагностике злокачественной опухоли предстательной железы. Для выявления онкопатологии и определения стадии заболевания в данном подходе используется искусственный интеллект.
Компьютерную модель с помощью машинного обучения научили со стопроцентной точностью различать здоровые ткани и патологию. Проект реализуется при поддержке РФФИ и Научного фонда ТГУ имени Дмитрия Менделеева.
Золотым стандартом диагностики онкозаболеваний является гистология, во время которой ткани, взятые у пациента, исследуются на наличие злокачественных изменений. Чтобы образцы можно было долго хранить, проводят их дегидратацию и заливают парафином. Затем специалисты делают тонкие срезы и исследуют эти «слайды» с помощью микроскопа.
«Обычно с образцами биопсии простаты работают несколько человек, после изучения срезов они выносят коллегиальное решение, — говорит исполнительный директор Института биомедицины ТГУ Юрий Кистенев. — Человеческий фактор никто не отменял, поэтому из-за субъективной оценки бывают ошибочные заключения. Мы попробовали решить эту проблему с помощью IT-технологий — разработали компьютерную модель и посредством машинного обучения научили ее выявлять аномальные участки, используя такой инструмент, как терагерцовая спектроскопия».
По словам Юрия Кистенева, в процессе анализа искусственный интеллект не только выявляет наличие раковых клеток, но и проводит оценку опухоли по шкале Глисона. Она традиционно используется при диагностике рака простаты для определения степени злокачественности процесса (показатели от 1 до 10), что важно с точки зрения прогноза течения болезни.
«Использование терагерцовой спектроскопии позволяет очень хорошо визуализировать образец, поскольку на маленьком участке лазер «читает» от 2,5 до 4 тысяч точек, — рассказывает один из исполнителей проекта, аспирантка ТГУ Анастасия Князькова. — В процессе обучения компьютерную модель тренировали на образцах здоровой и пораженной ткани, которые предоставил НИИ онкологии ТНИМЦ. Таким образом ИИ научился разделять норму и патологию. Проверку его способности к верификации аденокарциномы проводили на той части образцов, которая не использовалась в обучении.
Оценку злокачественности процесса проводили для образцов, имеющих оценку 4 и 8 по шкале Глисона. При этом точность дифференциальной диагностики составила 100 %.
По словам разработчиков — сотрудников лаборатории биофотоники — по мере накопления данных модель сможет проводить оценку опухоли по всей шкале Глисона, после чего новый инструмент можно внедрять в клиническую практику.
Как отмечает Юрий Кистенев, подход является универсальным. Его уже опробовали в диагностике меланомы. При наличии достаточного количества обучающего материала (образцов с нормой и патологией) модель можно обучить диагностике и других онкозаболеваний.
