Acasă Inginerie medicală ALGORITM DE DETECTARE AL CANCERULUI CEREBRAL

ALGORITM DE DETECTARE AL CANCERULUI CEREBRAL

162
0
Secțiune axiala a creierului, obținută prin scanare RMN, ce dezvăluie o tumoare, aflată în metastază (c) Getty Images

Cercetătorii medicali au dezvoltat un algoritm, care funcționează precum patologii umani, în clasificarea eșantioanelor chirurgicale a celor mai comune 10 tipuri de cancer de creier.

O echipă condusă de Daniel Orringer, care provine de la Școala de Medicină a Universității din New York, sugerează că noua sa tehnică ar putea fi folosită pentru a furniza diagnostice la nivel de expert, în timp real, în timpul unei operații.

Cercetătorii au combinat un model de Inteligență Artificială cu o tehnică de imagistică optică bazată pe laser, cunoscută sub denumirea de Histologie Stimulată Raman (SRH), pentru a diagnostica cancerul cerebral, în mai puțin de 150 de secunde.

SRH dezvăluie infiltrarea tumorii în țesutul uman prin colectarea luminii laser dispersate, iluminând caracteristici esențiale care nu sunt văzute, în mod obișnuit, în imaginile histologice standard.

Imaginile microscopice sunt apoi procesate și analizate folosind Inteligența Artificială, permițând chirurgilor să vadă un diagnostic prognozat al tumorii cerebrale. După rezecție, aceeași tehnologie este utilizată pentru detectarea și îndepărtarea unei tumori nedetectabile.

„În calitate de chirurgi, ne limităm să acționăm asupra a ceea ce putem vedea; această tehnologie ne permite să vedem ceea ce altfel ar fi invizibil, să îmbunătățim viteza și precizia în timpul operațiilor și să reducem riscul de diagnostic greșit”, spune Orringer.

Într-un studiu clinic, care a implicat 278 de pacienți cu tumoră cerebrală de la trei spitale, diagnosticul pe baza Inteligenței Artificiale a avut o exactitate de 94,6 %, comparativ cu 93,9 % pentru interpretarea pe bază de patolog.

La fel de important este faptul că modelul este întotdeauna disponibil, în timp ce pentru varianta clasică, există deseori un deficit de patologi disponibili pentru a oferi diagnosticul, în timpul intervenției chirurgicale.

Pentru a-și construi modelul, Orringer și colegii lor au instruit o rețea neuronală convoluțională (CNN) profundă, cu peste 2,5 milioane de probe de la 415 pacienți, pentru a clasifica țesutul în 13 categorii histologice care reprezintă cele mai frecvente tumori cerebrale.

Pentru a-l testa, au repartizat aleatoriu probe de la pacienții lor către un braț de control (practica standard actuală) sau către un braț experimental.

Brațul de control implica transportul către laboratorul de patologie, unde se procesează probele, se pregătesc diapozitivele de către tehnicieni și se interpretează de către patologi. Acest proces a durat 20-30 de minute. Brațul experimental a fost efectuat intraoperator, de la achiziția și procesarea imaginii, până la predicția de diagnosticare prin rețeaua neuronală convoluțională.

Notabil, spun cercetătorii, erorile de diagnostic din grupul experimental au fost unice față de erorile din grupul de control, ceea ce sugerează că un patolog care folosește noua tehnică ar putea atinge o precizie de aproape 100 %.

Potențialul acestei abordări este imens, sugerează ei.

„Deși fluxul nostru de lucru a fost dezvoltat și validat în contextul oncologiei neurochirurgicale, multe caracteristici histologice utilizate pentru diagnosticarea tumorilor cerebrale se găsesc în tumorile altor organe”, spun ei.

În consecință, prezicem că un flux de lucru similar care încorporează histologie optică și învățare profundă, s-ar putea aplica dermatologiei, chirurgiei capului și gâtului, chirurgiei mamare și ginecologiei, unde histologia intraoperatorie este la fel de importantă pentru îngrijirea clinică.

„Fluxul nostru de lucru, pe bază de Inteligență Artificială, oferă acces inegalabil la diagnosticul de țesut microscopic, în timpul intervenției chirurgicale, facilitând detectarea unei tumori reziduale, reducând riscul de a elimina țesutul histologic normal adiacent unei leziuni, permițând studiul eterogenității histologice și moleculare regionale, dar ne și minimizează șansele de a nu identifica un diagnostic al biopsiei sau de a pune un diagnostic greșit, din cauza erorii de prelevare.”

LĂSAȚI UN MESAJ

Vă rugăm să introduceți comentariul dvs.!
Introduceți aici numele dvs.

Acest site folosește Akismet pentru a reduce spamul. Află cum sunt procesate datele comentariilor tale.