Mesterséges intelligencia - a rák felismerését segítheti az automatikus képelemzés
Ezek az új technológiák nagymértékben támaszkodnak a mesterséges intelligencia eszközeire, amelyekhez az MI-algoritmusok kifejlesztése és betanítása szükséges a klinikai eredményekre vonatkozó adatokkal összekapcsolt digitalizált teljes tárgylemez-felvételek (WSI) nagy adathalmazain. A több diagnosztikai laboratóriumból származó képek minősége azonban drasztikusan eltérő lehet, ami viszont veszélyeztetheti az algoritmusok képzését és későbbi teljesítményét.
A Scientific Reports című tudományos folyóiratban megjelent új publikáció, amelyet a Ludwig Oxford munkatársa, Jens Rittscher és oxfordi kollégája, Maryam Haghighat vezetett, egy PathProfiler nevű mesterséges intelligencia eszközt ír le, amely automatizálja a nagy retrospektív patológiai képadathalmazok minőségellenőrzését, így növelve felhasználhatóságukat a későbbi kutatásokban.
Súlyos betegségek előzhetők meg a mesterséges intelligencia rákkutatással kapcsolatos fejlődésével
Rittscher és oxfordi kollégái a ProMPT (Prostate Cancer Mechanisms of Progression and Treatment) prosztatarákos kohorszból származó retrospektív patológiai képek felhasználásával fejlesztették ki a PathProfilert. A mesterséges intelligencia eszközük automatizálja a patológiai képek minőségének értékelését, és azonosítja a lehetséges képi artefaktumok egész sorát. Emellett minden egyes WSI-hez használhatósági pontszámot rendel, amely segít abban, hogy egy kép bekerülhessen az MI képzési adathalmazba.
A tesztek során az algoritmus által generált pontszámok és a három patológus szakértő által adott pontszámok nagymértékben korreláltak (0,89).
A PathProfiler további tesztelése érdekében a csapat értékelte a Cancer Genome Atlas prosztata- és a FOCUS kolorektális rákos kohorszát. Amellett, hogy minőségi pontszámot adott és azonosította a minőséget befolyásoló leleteket a WSI-kben, a PathProfiler azt is meg tudta jósolni, hogy mely képek javíthatók például újbóli szkenneléssel vagy újbóli színezéssel. Ez az előrejelzés különösen fontos a nagymértékben kurátori retrospektív kohorszokból származó minták felhasználhatósága szempontjából, mint amilyet például a prosztatarák kutatásában használtak.
A PathProfiler szoftver a nyilvánosság számára is elérhető, így más csoportok is használhatják saját kutatásaikhoz, és hozzájárulhatnak a továbbfejlesztéséhez. A csoport most azt tervezi, hogy tovább optimalizálja a modellt más szövettípusok és kohorszok felhasználásával, továbbá értékeli az eszköz teljesítményét és hasznosságát egy klinikai patológiai digitális csővezetéken belül.
V.V.
