STUDIU. Riscul de recurență în cancerul de prostată, evaluat prin sistemul de inteligență artificială TriPath
În prezent, pentru determinarea riscului de recurență în cazul pacienților cu cancer de prostată, standardul clinic histopatologic implică utilizarea secțiunilor tisulare bidimensionale. Printre marile dezavantaje ale acestei metode se numără: alegerea celor mai potrivite secțiuni 2D pentru analiză și faptul că acestea nu pot cuprinde întreaga complexitate și variabilitate a țesutului uman. Pentru adresarea acestor provocări, un studiu publicat în jurnalul Cell propune platforma de deep-learning TriPath.
TriPath este un sistem de învățare profundă, capabil să analizeze structuri tisulare tridimensionale și să stratifice riscul de recurență al cancerului de prostată pe baza caracteristicilor morfologice 3D identificate. Platforma poate procesa volume mari de țesut pe care le secționează ulterior în probe 3D mai mici. Astfel se poate prezerva cât mai mult complexitatea tisulară, fiind în același timp facilitat și procesul de analiză. Deoarece captează morfologii din întregul volum tisular, Tripath a depășit atât performanțele anatomopatologilor, cât și ale modelelor de deep learning care utilizează morfologii 2D.
Platforma de deep learning poate avea numeroase aplicații în context clinic. Datorită capacității de stratificare a riscului cu mare precizie, poate servi drept ghid sau suport decizional pentru medicii anatomopatologi. Prin generarea unui set cu diverse probe 3D derivate din biopsia inițială, ar putea fi depășite problemele de eșantionare (bias-ul apărut în momentul alegerii unei probe) întâlnite în practicile histopatologice curente. Tehnologiile de biologie spațială 3D fiind într-o continuă expansiune, TriPath poate avea implicații în dezvoltarea metodelor de analiză 3D și în descoperirea unor noi biomarkeri implicați în prognostic și răspuns terapeutic.
Conform studiului care privește dezvoltarea și testarea sistemului AI, cu cât volumul probei de țesut a fost mai mare, cu atât mai bine a performat TriPath în prezicerea riscului de recurență a cancerului de prostată. Mai mult decât atât, stratificarea volumului tisular inițial în probe 3D mai mici a adăugat valoare capacității predictive și a condus la rezultate superioare în comparație cu stratificarea în probe 2D.
„Abordarea noastră subliniază importanța analizei comprehensive a unui volum întreg de probă tisulară, pentru prezicerea precisă a riscului pacientului, element distinctiv al modelelor pe care le-am dezvoltat și posibil doar cu ajutorul tehnicilor de patologie 3D” – afirmă autorul principal al studiului Andrew Song, PhD, cercetător în cadrul laboratorului din Brigham and Brigham and Women’s Hospital.
A) Achiziția datelor 3D prin microCT și microscopie OTLS permite obținerea unor imagini volumetrice 3D de rezoluție înaltă. B) Procesarea datelor – TriPath acceptă input din mai multe tehnici de imagistică 3D. Ulterior, sistemul permite transformarea unui volum mare de țesut în patch-uri 3D mai mici sau în stack-uri de patch-uri 2D.
Inițial, sistemul de învățare profundă a fost testat pe un set de date 3D „fantomă”, simulate, urmând ca mai apoi, capacitatea sa de stratificare a riscului să fie analizată pe două seturi diferite de date, probe 3D de cancer de prostată obținute prin microCT și prin microscopie OTLS (open-top light-sheet).
Primul set de date a fost obținut prin microCT și a presupus 45 de specimene de prostatectomie, fiecare provenind de la un pacient diferit. Al doilea set de date, cel obținut prin microscopie OTLS, a inclus 444 de biopsii core-needle, extrase din specimente de prostatectomie de la 74 de pacienți. Pe lângă comparația cu standardul clinic, oamenii de știință au comparat mai multe metode care implică tehnologia deep learning pentru prezentarea probelor volumetrice: de la extragerea unor patchuri 2D din volumul fiecărei probe inițiale (pentru a emula cât mai fidel practicile histopatologice standard) și până la extragerea unor patch-uri 3D mai mici, din volumul inițial al fiecărei probe.
Principalul rezultat în urma testării a fost următorul: cu cât volumul de țesut analizat este mai mare, cu atât crește acuratețea sistemului TriPath în stratificarea riscului de recurență a pacienților cu cancer de prostată. În urma comparării capacității TriPath de a analiza structuri tisulare 3D, cu practica histopatologică standard și cu abilitățile de predicție a 6 anatomopatologi, sistemul de inteligență artificială a condus la rezultate superioare.
Imaginea de mai sus ilustrează performanțele superioare ale sistemului TriPath care folosește secțiuni 3D mai mici din volumul inițial 3D al probei (coloana 4, portocaliu) în identificarea riscului de recurență a cancerului de prostată, în comparație cu: practica standard (coloana 1, gri); performanțele unui sistem de deep learning care presupune utilizarea unor secțiuni 2D aleatorii dintr-un volum 3D (coloana 2, verde); performanțele unui sistem de deep learning care presupune utilizarea tuturor secțiunilor 2D dintr-un volum 3D (coloana 3, galben).
Citește și:
- Parlamentul European aprobă crearea Spațiului European al Datelor de Sănătate
- STUDIU. Ventriculul stâng, caracterizat din punct de vedere genetic prin analiza AI a imaginilor RMN
- STUDIU. Un algoritm AI identifică rapid pacienții cu boli rare nediagnosticate pe baza dosarelor medicale electronice