Майбутнє штучного інтелекту в цифровій патології

Щоб визначити потенційно перспективні галузі застосування ШІ в патології, дослідницька група провела анонімне онлайн-опитування 75 експертів у галузі обчислювальної патології з академічних і промислових сфер. Учасників, зареєстрованих у 2021 році, запитали про їхню суб’єктивну думку щодо перспективних і привабливих підобластей для обчислювальної патології з акцентом на солідні пухлини. Результати опитування показали, що прогнозування реакції на лікування за звичайними слайдами патології розглядається як найперспективніше застосування в майбутньому. Цей пункт отримав найвищий рейтинг у загальному аналізі та в підгрупах за віком і професійною приналежністю. Крім того, прогнозування генетичних змін, експресії генів і виживання безпосередньо за звичайними патологічними зображеннями отримало стабільно високі оцінки в усіх підгрупах.

Повне дослідження можна прочитати тут.

У сукупності ці дані демонструють можливий напрямок розвитку систем цифрової патології в клінічних, академічних і промислових дослідженнях у найближчому майбутньому. Результати опитування можуть бути використані і для майбутніх досліджень. Важливо відзначити сильну взаємозалежність різних галузей: наприклад, контроль якості, керований ШІ, корисний для діагностики та підтримки прийняття рішень за допомогою ШІ. Загалом, дослідження показує потребу в тих рішеннях для обчислювальної патології, які виходять за рамки автоматизації робочого процесу та надають дійсно нові біомаркери для прогнозування результату та реакції.

Читайте також: Як впровадити Digital Pathology в ваші лабораторії?

Щоб покращити діагностику пацієнтів зі складними метастатичними формами раку, особливо в умовах обмежених ресурсів, дослідники з Лабораторії Махмуда в Жіночій лікарні Брігама розробили систему штучного інтелекту (ШІ), яка використовує звичайні гістологічні слайди для точного визначення походження метастатичних пухлин, одночасно генеруючи “диференціальний діагноз” для пацієнтів з раком, невідомої локалізації. Результати дослідження описані в журналі Nature. Розроблений дослідниками алгоритм отримав назву Tumor Origin Assessment via Deep Learning (TOAD). Він одночасно ідентифікує пухлину як первинну або метастатичну та прогнозує місце її походження. Дослідники навчили свою модель на гігапіксельних патологічних зображеннях пухлин з понад 22 000 випадків раку, а потім протестували TOAD у близько 6 500 випадках з відомими первинними пухлинами і проаналізували все більш складні метастатичні раки, щоб встановити корисність моделі ШІ для CUPs. Для пухлин з відомим первинним походженням модель правильно ідентифікувала рак у 83% випадків і в 96% випадків включала діагноз до трійки найкращих прогнозів. Потім дослідники протестували модель на 317 випадках раку невідомої локалізації, для яких був призначений диференціальний діагноз, і виявили, що діагноз TOAD збігався зі звітами патологів у 61% випадків, а в трійці лідерів – у 82% випадків.

Пропонується навчати патологів користуванню штучним інтелектом, щоб вони могли розробляти і тестувати свої власні ідеї. Крім того, це може допомогти подолати страх перед ШІ, оскільки чим більше людина знає про ШІ, тим менше вона його боїться. Нарешті, крім можливостей аналізу зображень, ШІ також чудово справляється з обробкою природної мови (NLP). Об’єднання зорових і мовних моделей ШІ відкриє можливість взаємодії з ШІ за допомогою природної мови, що може ще більше поліпшити інтеграцію в клінічну практику.