Будущее штучного интеллекта в цифровой патологии

Чтобы определить потенциально перспективные области применения ИИ в патологии, исследовательская группа провела анонимный онлайн-опрос 75 экспертов в области вычислительной патологии из академических и промышленных сфер. Участников, зарегистрированных в 2021 году, спросили об их субъективном мнении относительно перспективных и привлекательных подобластей для вычислительной патологии с акцентом на солидные опухоли. Результаты опроса показали, что прогнозирование реакции на лечение по обычным слайдам патологии рассматривается как самое перспективное применение в будущем. Этот пункт получил самый высокий рейтинг в общем анализе и в подгруппах по возрасту и профессиональной принадлежности. Кроме того, прогнозирование генетических изменений, экспрессии генов и выживания непосредственно по обычным патологическим изображениям получило стабильно высокие оценки во всех подгруппах.

Полное исследование  можно прочитать здесь.

В совокупности эти данные демонстрируют возможное направление развития систем цифровой патологии в клинических, академических и промышленных исследованиях в ближайшем будущем. Результаты опроса могут быть использованы и для будущих исследований. Важно отметить сильную взаимозависимость различных отраслей: например, контроль качества, управляемый ИИ, полезен для диагностики и поддержки принятия решений с помощью ИИ. В общем, исследование показывает потребность в тех решениях для вычислительной патологии, которые выходят за рамки автоматизации рабочего процесса и предоставляют действительно новые биомаркеры для прогнозирования результата и реакции.

Читайте также: Как внедрить Digital Pathology в ваши лаборатории?

Чтобы улучшить диагностику пациентов со сложными метастатическими формами рака, особенно в условиях ограниченных ресурсов, исследователи из Лаборатории Махмуда в Женской больнице Бригама разработали систему искусственного интеллекта (ИИ), которая использует обычные гистологические слайды для точного определения происхождения метастатических опухолей, одновременно генерируя “дифференциальный диагноз” для пациентов с раком, неизвестной локализации. Результаты исследования описаны в журнале Nature.

Разработанный исследователями алгоритм получил название Tumor Origin Assessment via Deep Learning (TOAD). Он одновременно идентифицирует опухоль как первичную или метастатическую и прогнозирует место ее происхождения. Исследователи обучили свою модель на гигапиксельных патологических изображениях опухолей из более 22 000 случаев рака, а затем протестировали TOAD в около 6 500 случаях с известными первичными опухолями и проанализировали все более сложные метастатические раки, чтобы установить полезность модели ИИ для CUPs. Для опухолей с известным первичным происхождением модель правильно идентифицировала рак в 83% случаев и в 96% случаев включала диагноз в тройку лучших прогнозов. Затем исследователи протестировали модель на 317 случаях рака неизвестной локализации, для которых был назначен дифференциальный диагноз, и обнаружили, что диагноз TOAD совпадал с отчетами патологов в 61% случаев, а в тройке лидеров – в 82% случаев.

Предлагается обучать патологов пользованию искусственным интеллектом, чтобы они могли разрабатывать и тестировать свои собственные идеи. Кроме того, это может помочь преодолеть страх перед ИИ, поскольку чем больше человек знает об ИИ, тем меньше он его боится. Наконец, помимо возможностей анализа изображений, ИИ также прекрасно справляется с обработкой естественного языка (NLP). Объединение зрительных и речевых моделей ИИ откроет возможность взаимодействия с ИИ с помощью естественного языка, что может еще больше улучшить интеграцию в клиническую практику.