Η ψηφιακή παθολογία είναι ένα αναδυόμενο πεδίο που ασχολείται κυρίως με εικόνες μικροσκοπίας που προέρχονται από βιοψίες ασθενών. Λόγω της υψηλής ανάλυσης, οι περισσότερες από αυτές τις διαφάνειες (WSI) έχουν μεγάλο μέγεθος, που συνήθως υπερβαίνει το ένα gigabyte (Gb). Επομένως, οι τυπικές μέθοδοι ανάλυσης εικόνας δεν μπορούν να τις χειριστούν αποτελεσματικά. Αναζητώντας λύση, ερευνητές από την Ιατρική Σχολή του Πανεπιστημίου της Βοστώνης (BUSM) ανέπτυξαν έναν νέο αλγόριθμο τεχνητής νοημοσύνης (AI) που βασίζεται σε ένα πλαίσιο που ονομάζεται εκμάθηση αναπαράστασης για την ταξινόμηση του υποτύπου καρκίνου του πνεύμονα με βάση εικόνες ιστού πνεύμονα από όγκους που έχουν αφαιρεθεί.
“Αναπτύσσουμε νέες μεθόδους βασισμένες στην τεχνητή νοημοσύνη που μπορούν να φέρουν αποτελεσματικότητα στην αξιολόγηση των δεδομένων ψηφιακής παθολογίας. Η πρακτική της παθολογίας βρίσκεται στη μέση μιας ψηφιακής επανάστασης. Αναπτύσσονται μέθοδοι που βασίζονται σε υπολογιστή για να βοηθήσουν τον ειδικό παθολόγο. Επίσης, σε μέρη όπου δεν υπάρχει ειδικός, τέτοιες μέθοδοι και τεχνολογίες μπορούν να βοηθήσουν άμεσα τη διάγνωση”, σημειώνει χαρακτηριστικά η Vijaya B. Kolachalama, PhD, FAHA, συγγραφέας της μελέτης και επίκουρη καθηγήτρια ιατρικής και πληροφορικής στο BUSM
Συγκεκριμένα, οι ερευνητές ανέπτυξαν έναν μετασχηματιστή όρασης με βάση γραφήματα για ψηφιακή παθολογία που ονομάζεται Graph Transformer (GTP) που αξιοποιεί μια αναπαράσταση γραφήματος εικόνων παθολογίας και την υπολογιστική απόδοση των αρχιτεκτονικών μετασχηματιστών για την εκτέλεση ανάλυσης σε ολόκληρη την εικόνα της διαφάνειας. «Η μετάφραση των τελευταίων προόδων στην επιστήμη των υπολογιστών στην ψηφιακή παθολογία δεν είναι απλή και υπάρχει ανάγκη να δημιουργηθούν μέθοδοι τεχνητής νοημοσύνης που μπορούν να αντιμετωπίσουν αποκλειστικά τα προβλήματα στην ψηφιακή παθολογία», εξηγεί η επίσης συγγραφέας της μελέτης Jennifer Beane, PhD, αναπληρώτρια καθηγήτρια ιατρικής στο BUSM.
Χρησιμοποιώντας ολόκληρες εικόνες διαφανειών και κλινικά δεδομένα από τρεις δημοσίως διαθέσιμες εθνικές κοόρτες, οι ερευνητές ανέπτυξαν στη συνέχεια ένα μοντέλο που θα μπορούσε να διακρίνει μεταξύ του αδενοκαρκινώματος του πνεύμονα, του ακανθοκυτταρικού καρκινώματος του πνεύμονα και του παρακείμενου μη καρκινικού ιστού. Σε μια σειρά μελετών και αναλύσεων ευαισθησίας, έδειξαν ότι το πλαίσιο GTP τους ξεπερνά τις τρέχουσες μεθόδους αιχμής που χρησιμοποιούνται για την ταξινόμηση ολόκληρων εικόνων διαφανειών. Πιστεύουν ότι το πλαίσιο μηχανικής μάθησης θα έχει οφέλη που υπερβαίνουν την ψηφιακή παθολογία. «Οι ερευνητές που ενδιαφέρονται για την ανάπτυξη προσεγγίσεων υπολογιστικής όρασης για άλλες εφαρμογές μπορούν επίσης να βρουν την προσέγγισή μας χρήσιμη», λένε οι ερευνητές. Τα ευρήματα της μελέτης εμφανίζονται στο διαδίκτυο στο περιοδικό IEEE Transactions on Medical Imaging.