Skip to content
DI modelis išmoko jungti audinio vaizdą ir genų duomenis: išbandytas 107 vėžio užduotyse

DI sukurta iliustracija.

DI modelis išmoko jungti audinio vaizdą ir genų duomenis: išbandytas 107 vėžio užduotyse

Mokslininkai pristatė daugiamodalį vėžio tyrimų modelį THREADS, kuris mokosi ne vien iš mikroskopinių audinių vaizdų, bet ir iš to paties mėginio genomo bei genų raiškos duomenų. „Nature Cancer“ lapkričio 20 d. paskelbtame tyrime modelis buvo iš anksto apmokytas naudojant daugiau kaip 47 tūkst. hematoksilinu ir eozinu dažytų audinių pjūvių ir patikrintas 107 onkologinėse užduotyse.

REKLAMA

Patologijoje daug DI sistemų analizuoja mažus viso preparato vaizdo fragmentus arba mokosi iš bendrų diagnozės etikečių ir tekstinių patologų ataskaitų. THREADS bando sujungti tai, kaip audinys atrodo, su biologiniais procesais, matomais molekuliniuose duomenyse. Taip kuriamas bendras viso preparato atvaizdas, kurį vėliau galima pritaikyti vėžio potipiui, laipsniui, naviko mikroaplinkai, gydymo atsakui ar išgyvenamumui vertinti.

Kodėl vien vaizdo ne visada pakanka

Dvi skirtingų pacientų naviko išpjovos mikroskopu gali atrodyti panašiai, tačiau turėti skirtingas mutacijas ar genų raiškos programas. Ir atvirkščiai – panaši molekulinė būklė audinyje gali pasireikšti subtiliais požymiais, kuriuos žmogui sunku aprašyti žodžiais. Modelis, mokomas sugretinti morfologiją su genomika ar transkriptomika, gauna turtingesnį signalą nei sistema, matanti tik diagnozės pavadinimą.

REKLAMA

Tyrėjai teigia, kad THREADS daugelyje bandymų aplenkė kitus viso preparato pamatinius modelius ir prižiūrimo mokymo atskaitos sistemas. Taip pat akcentuojamas efektyvus darbas su mažesniu pažymėtų pavyzdžių kiekiu. Tai svarbu medicinoje, kur kokybiškai anotuoti preparatai yra brangūs, o retų vėžio formų duomenų gali būti nedaug.

Tai dar nėra gydytojo pakaitalas

107 užduotys rodo plataus pritaikymo potencialą, bet didelis testų skaičius savaime negarantuoja klinikinės naudos. Reikia nepriklausomų ligoninių duomenų, skirtingų skenerių, pacientų grupių ir darbo eigos bandymų. Modelis gali gerai veikti tyrimo rinkinyje, tačiau prarasti tikslumą, jei kitoje laboratorijoje skiriasi dažymas, audinio paruošimas ar pacientų populiacija.

Kitas klausimas – paaiškinamumas. Gydytojas turi suprasti, kokia vaizdo sritis ir kokie duomenys lėmė išvadą, ypač jei sistema siūlo gydymo atsako ar prognozės vertinimą. Reikia ir aiškaus atsakomybės modelio: DI gali padėti atrinkti atvejus, pažymėti įtartinas sritis ar pateikti antrą nuomonę, tačiau galutinis sprendimas turi likti patikrintoje klinikinėje grandinėje.

REKLAMA

Audinio vaizdas ir genų raiškos duomenys apibūdina tą pačią ligą skirtingais lygmenimis. Patologijos vaizde matoma ląstelių forma bei jų išsidėstymas, o molekuliniai duomenys parodo aktyvius biologinius procesus. Sujungęs abu šaltinius modelis gali rasti ryšius, kurių nepastebi atskirai analizuojamos sistemos. Tačiau didesnis duomenų kiekis automatiškai negarantuoja geresnio sprendimo, jei mėginiai surinkti nevienodai ar priklauso labai panašiai pacientų grupei.

107 užduočių rezultatas rodo platų bandymą, bet klinikiniam naudojimui svarbi kiekviena konkreti paskirtis. Modelis, gerai atskiriantis naviko tipą tyrimų duomenyse, nebūtinai taip pat patikimai prognozuos gydymo atsaką kitoje ligoninėje. Reikia išorinio patvirtinimo su kitais skeneriais, laboratorijomis ir pacientų populiacijomis. Gydytojui taip pat būtina suprasti, kiek sistema tikra ir kokiais atvejais jos išvada gali būti klaidinga.

Kitas iššūkis – duomenų prieinamumas. Aukštos kokybės audinio vaizdų galima turėti daug, tačiau suderinti juos su genų tyrimais yra brangu ir reikalauja pacientų sutikimo. Lietuvoje tokie modeliai galėtų padėti moksliniams centrams analizuoti mažesnius rinkinius, bet jiems reikėtų bendrų duomenų standartų ir saugaus bendradarbiavimo su kitomis šalimis. Kol kas tai tyrimų priemonė, o ne savarankiškas diagnostikos sprendimas.

REKLAMA

Audinio vaizdo ir genų duomenų sujungimas svarbus todėl, kad šie šaltiniai aprašo skirtingas ligos puses. Mikroskopinis vaizdas rodo ląstelių formą ir jų aplinką, o molekuliniai duomenys – procesus, kurių akimi pamatyti neįmanoma. Vienas modelis teoriškai gali rasti ryšius, kuriuos specialistams būtų sunku vertinti atskirai. Tačiau 107 užduotys dar nereiškia vienodo patikimumo kiekvienoje ligoninėje. Reikia patikrinti modelį su kitų šalių, aparatų ir pacientų duomenimis, nes dažymo metodai bei populiacijos skiriasi. Klinikoje toks įrankis greičiausiai veiktų kaip papildoma nuomonė, o ne autonominis diagnozės priėmėjas. Tikrasis testas bus tai, ar jis pagerina gydytojo sprendimą ir paciento rezultatą, o ne vien laboratorinį tikslumo rodiklį.

Lietuvos gydymo įstaigoms tokie modeliai aktualūs dėl specialistų darbo krūvio ir didėjančio skaitmeninės patologijos duomenų kiekio. Tačiau diegimą reikėtų pradėti nuo siaurų, audituojamų užduočių, o ne nuo pažado „diagnozuoti viską“. Panašią ribą tarp signalo ir diagnozės aptarėme straipsnyje apie išmaniojo laikrodžio ligos įspėjimus. THREADS rodo, kad medicininis DI vis labiau tampa kelių duomenų rūšių sistema, tačiau realią vertę įrodys ne laboratorinis reitingas, o saugus poveikis gydytojų sprendimams ir pacientų rezultatams. Tam svarbi ir tyrimų kokybė, apie kurią kalbama MIT duomenų analizės darbuose.

Kaip vertinate šį straipsnį?

NAUJIENOS IŠ INTERNETO

Trumpai, aiškiai ir be triukšmo – gaukite svarbiausias technologijų ir mokslo naujienas pirmieji.

Sekite mokslo ir technologijų tendencijas
Dalyvaukite diskusijose
Naujienas gaukite pirmieji
1 700+ narių jau seka mūsų puslapį, laukiame tavęs!
10

Taip pat skaitykite

Atrinkome panašius straipsnius, kurie gali jums patikti.