Innowacyjne podejście do wykrywania zmian przedrakowych przy użyciu dużych obrazów o wysokiej rozdzielczości

Nowe badanie przedstawia innowacyjne podejście do krytycznego wykrywania zmian przedrakowych przy użyciu dużych obrazów o wysokiej rozdzielczości. Zespół naukowców z Portugalii opracował rozwiązanie oparte na uczeniu maszynowym, które pomaga patologom wykrywać dysplazję szyjki macicy, dzięki czemu diagnostyka nowych próbek jest całkowicie automatyczna. Jest to jedna z pierwszych opublikowanych prac wykorzystujących pełne slajdy.

Według Światowej Organizacji Zdrowia (WHO) rak szyjki macicy jest czwartym najczęściej występującym nowotworem u kobiet, z szacunkową liczbą 604 000 nowych przypadków w 2020 roku. Jednak jest to również jeden z nowotworów, którym można najłatwiej zapobiegać i skutecznie leczyć, pod warunkiem, że zostanie wcześnie rozpoznany i odpowiednio leczony. Dlatego badania przesiewowe i wykrywanie zmian przedrakowych (oraz szczepienia) są niezbędne do zapobiegania chorobom.

Ale co by było, gdybyśmy mogli opracować modele uczenia maszynowego, które pomogłyby w samodzielnej kategoryzacji zmian w nabłonku płaskonabłonkowym — rodzaju nabłonka, który pełni funkcje ochronne przed mikroorganizmami — przy użyciu całych obrazów slajdów (WSI), które zawierają informacje z całych tkanek.

W tym sensie zespół naukowców z Instytutu Systemów, Inżynierii Komputerowej, Technologii i Nauki (INESC TEC) oraz z Laboratorium Patologii Molekularnej i Anatomicznej IMP Diagnostics w Portugalii opracował słabo nadzorowaną metodologię – technikę uczenia maszynowego który łączy dane z adnotacjami i bez adnotacji podczas treningu modelowego – w celu sklasyfikowania dysplazji szyjki macicy.

Jest to szczególnie przydatne, biorąc pod uwagę trudność w uzyskaniu adnotacji do danych patologicznych: obrazy są ogromne, co oprócz dużej subiektywności sprawia, że ​​proces adnotacji jest czasochłonny i żmudny. Ten rodzaj techniki pozwala naukowcom opracowywać modele, które działają dobrze, nawet jeśli niektóre informacje zostały utracone podczas fazy szkolenia modelu.
Następnie model sklasyfikuje dysplazję szyjki macicy, nieprawidłowy wzrost komórek na powierzchni, jako śródnabłonkowe zmiany płaskonabłonkowe niskiego stopnia (LSIL) lub wysokiego stopnia (HSIL).

W badaniach przesiewowych w kierunku dysplazji szyjki macicy była to jedna z pierwszych opublikowanych prac wykorzystujących całe preparaty, z podejściem obejmującym segmentację, a następnie klasyfikację obszarów zainteresowania, dzięki czemu diagnoza nowych okazów jest całkowicie automatyczna”.

Sara Oliveira, naukowiec, INESC TEC

Duży potencjał obrazu

Ten proces klasyfikacji jest złożony i może być „subiektywny”. Dlatego rozwój modeli uczenia maszynowego może pomóc patologom w tym zadaniu; Ponadto diagnostyka wspomagana komputerowo (CAD) odgrywa ważną rolę: systemy te mogą służyć jako pierwszy wskaźnik podejrzanych przypadków, ostrzegając patologów o przypadkach wymagających dokładniejszej oceny.

Sara Oliveira podkreśliła, że ​​nawet rozwój systemów CAD do wspomagania decyzji w patologii cyfrowej jest wciąż daleki od rozwiązania kompletnego. „W rzeczywistości patologia obliczeniowa jest wciąż stosunkowo młodą dziedziną, z wieloma wyzwaniami do rozwiązania, aby modele uczenia maszynowego mogły skutecznie zbliżać się do zastosowań klinicznych” – powiedziała.

W grę wchodzi również kompromis w stosowaniu WSI, a najpopularniejsze metody skupiają się na ręcznym cięciu mniejszych obszarów plastrów. WSI to zazwyczaj duże obrazy o wysokiej rozdzielczości (często większe niż 50 000 x 50 000 pikseli); Dlatego nie można go łatwo dostosować do procesorów graficznych używanych do trenowania modeli głębokiego uczenia.

„Pomimo obiecujących wyników fakt, że metody te wymagają ręcznego wyboru regionów do sklasyfikowania i skupiają się tylko na małych regionach (biorąc pod uwagę rozmiar wycinka), czyni je bardziej kruchymi z punktu widzenia implementacji” – powiedział naukowiec.

Szkolenie modelek detalicznych

Ramy obejmują etap segmentacji nabłonka, po którym następuje klasyfikator dysplazji (nienowotworowy, LSIL, HSIL), co sprawia, że ​​ocena preparatu jest całkowicie zautomatyzowana, bez konieczności ręcznego wybierania obszarów nabłonka. „Zaproponowane podejście klasyfikacyjne osiągnęło zrównoważoną dokładność 71,07% i czułość 72,18% w testach na poziomie slajdu na 600 niezależnych próbkach” – wyjaśnił główny autor badania.

Aby wytrenować model segmentacji, naukowcy wykorzystali wszystkie (186) wycinki z adnotacjami, w sumie 312 segmentów tkanki. Wyniki pokazują, że „rzadko zdarza się, że model nie rozpoznaje dużej części nabłonka lub błędnie identyfikuje ważny region”.

Po pierwszym etapie segmentacji naukowcy wykorzystali określone ROI, aby skupić się na klasyfikacji, co pozwoliło na wykorzystanie niezanotowanych WSI do szkolenia i automatycznej diagnozy niewidocznych przypadków. Następnie klasyfikator może zdiagnozować stopień dysplazji na podstawie blaszek tych obszarów.

To rozwiązanie wykorzystywało 383 regiony nabłonka z adnotacjami do trenowania modelu klasyfikacji, podzielone na zestawy treningowe i walidacyjne. Badacze przetestowali różne modele i po wybraniu najlepszego, starając się wykorzystać zadanie uczenia się klasyfikacji, przeszkolili wersję, dodając do zbioru uczącego kilka kwadratów z pojedynczą etykietą (263). Łącząc płytki wybrane dla każdego regionu nabłonka, które zawierały tylko etykietę torby kurierskiej, z płytkami z dołączoną prywatną etykietą, zoptymalizowano proces wyboru płytek.

Na koniec, aby skorzystać z pełnego zestawu danych, zespół ponownie przeszkolił model, dodając worki kwadratów z wycinków bez adnotacji (1198).

Główny badacz artykułu podkreśla, że ​​przyszłe prace mogą mieć na celu udoskonalenie obu części modelu (segmentacja i klasyfikacja), a także ocenę bardziej zintegrowanego podejścia.

Zestaw testowy składający się z 600 próbek, użyty w bieżącym badaniu, został wybrany ze zbioru danych IMP Diagnostics i jest dostępny „na uzasadnione żądanie”.

„W IMP Diagnostics inwestujemy w poprawę diagnostyki raka szyjki macicy, a co za tym idzie, w zdrowie kobiet. To narzędzie jest o krok bliżej do skuteczniejszego wykrywania zmian przednowotworowych” – podsumowuje Diana Montezuma-Vilizardo, patolog i kierownik badań i specjalista ds. rozwoju w IMP Diagnostics.