Badania z tym związane przeprowadził międzynarodowy zespół z udziałem dra hab. inż. Marcina Kowalskiego z Instytutu Optoelektroniki WAT - poinformowała uczelnia.

Współtwórca metody wyjaśnia, że może ona wspomóc medyków lub przychodnie lekarskie w szybszej analizie badań pacjentów. Lekarz zostanie odciążony od wykonywania wstępnej diagnostyki i skupi się na opracowaniu procesu leczenia pacjenta.

PROPOZYCJA ROZPOZNANIA PLUS UZASADNIENIE

Zdaniem naukowca WAT metoda ma szanse na praktyczne zastosowanie, chociaż jest wymagająca obliczeniowo (takie zastrzeżenie również znalazło się w tekście publikacji). Wykorzystanie algorytmów w diagnostyce jest tam jednym z dominujących tematów sympozjów medycznych.

"Guzy mózgu stanowią poważne globalne wyzwanie zdrowotne, a ich wczesne wykrycie i dokładna klasyfikacja mają kluczowe znaczenie dla skutecznych strategii leczenia. Jeśli słyszymy, że lekarzy jest zbyt mało w stosunku do liczby pacjentów i ilości pracy, to dlaczego nie wykorzystać technologii do usprawnienia tego procesu? Tym bardziej, że technologia jest obecna, całkiem nieźle dostępna i możemy ją tworzyć samodzielnie. Ponadto, ośrodki medyczne posiadają zarówno wiedzę jak i dane, które możemy wykorzystać do tworzenia algorytmów" – ocenia dr hab. inż. Marcin Kowalski.

Przy zastosowaniu proponowanej metody lekarz uzyskałby nie tylko propozycję rozpoznania, ale również informację, na jakiej podstawie algorytm podjął taką decyzję. Otrzyma bowiem obraz z zaznaczonymi obszarami oraz wynikiem analizy. Na tej podstawie będzie mógł podjąć decyzję w kontekście dalszego leczenia.

"Podstawowymi obiektami, które chcieliśmy wyróżniać na obrazach, były glejak, oponiak, przysadka mózgowa i oczywiście brak guza. Metoda wykazała niesamowitą skuteczność w klasyfikacji obrazów, sięgającą przeszło 99 proc. dla badanego zbioru testowego" – podsumowuje prof. Kowalski.

Zastrzega jednak, że zbiory, z których korzystali badacze, były ograniczone ilościowo i nie zawierały innych metadanych pacjentów dotyczących chociażby obciążeń genetycznych. Dlatego badanie można rozszerzyć poprzez łączenie wielu informacji z różnych źródeł.

ALGORYTMY "WYCIĄGNĄ" NAJWAŻNIEJSZE INFORMACJE Z OBRAZU

Splotowe sieci neuronowe (CNN – convolutional neural networks) to typ sieci neuronowych, najczęściej wielowarstwowych, idealnie nadający się do pracy z danymi w formie obrazów lub innych danych przestrzennych (np. sygnałów 2D). Sieci splotowe mogą pełnić różne role, od ekstraktorów cech dyskryminacyjnych do klasyfikatorów.

"Cechy dyskryminacyjne to zmienne (atrybuty), które mają największą moc w różnicowaniu między grupami lub klasami. Są to dane, które mają kluczowe znaczenie dla poprawności modelu klasyfikacyjnego. Dzięki +wyciągnięciu+ cech dyskryminacyjnych z obrazów możemy nauczyć algorytm klasyfikacyjny rozróżniania obrazu przedstawiającego pacjenta z guzem i bez" – tłumaczy prof. Kowalski.

Natomiast ekstremalne maszyny uczące (ELM – extreme learning machines) to algorytm opracowany dla jednowarstwowych sieci neuronowych, który skupia się na szybkości uczenia. "W naszej pracy wykorzystaliśmy sieci splotowe do ekstrakcji cech dyskryminacyjnych (najważniejszych informacji) z obrazów mózgu, natomiast ELM, dość mocno zmodyfikowane, zostało wykorzystane do klasyfikacji, czyli operacji rozróżniania między organem zdrowym a chorym na podstawie danych, które wydobyto dzięki zastosowaniu CNN do obrazów" – precyzuje profesor.

Za pomocą sieci splotowych oraz maszyn ELM dokonuje się ekstrakcji, czyli wspomnianego "wyciągnięcia" cech dyskryminacyjnych z obrazów uzyskiwanych w rezonansie magnetycznym (MRI - magnetic resonance imaging).

Wyniki opracowanej metody będą interpretowane przez SHAP (SHapley Additive exPlanations). Jest to algorytm, który pozwala naukowcom zrozumieć, na jakiej podstawie algorytm klasyfikacyjny podjął decyzję o wykryciu guza mózgu.

"Najczęściej odbywa się to poprzez zaznaczenie odpowiednich obszarów, na których algorytm klasyfikacyjny skupił się podczas analizy danego obrazu. Innymi słowy, gdyby SHAP (lub inny równoważny) został pominięty, mielibyśmy badany obraz i wynik analizy bez żadnej dodatkowej informacji, w jaki sposób ten wynik został wypracowany" – mówi prof. Kowalski.

SZANSA NA REALNE USPRAWNIENIE POMOCY CHORYM

Jak przypomina badacz, statystyki Światowej Organizacji Zdrowia (WHO) pokazują, że w 2018 r. rak pochłonął 9,6 miliona istnień ludzkich na całym świecie. Guzy mózgu stały się istotnym czynnikiem przyczyniającym się do tego zjawiska.

Pierwotne i wtórne guzy przerzutowe stanowią odrębne wyzwania diagnostyczne i terapeutyczne. Pierwotne guzy mózgu powstają w obrębie mózgu, podczas gdy wtórne guzy przerzutowe ukradkiem infiltrują obszar mózgu poprzez krwiobieg z innych regionów ciała.

WHO dzieli guzy mózgu na cztery kategorie, które są klasyfikowane zgodnie z ich złośliwym lub łagodnym charakterem, obejmującym spektrum od podstępnego wzrostu do agresywnych nowotworów złośliwych.

Rola Marcina Kowalskiego w projekcie polegała na doborze i konsultowaniu metod badawczych oraz analizie wyników opracowanej metody. Dla pracy zespołu kluczowe były kompetencje z zakresu przygotowania danych, ich wstępnego przetworzenia, doboru metod, programowania oraz analizy danych. Stąd też liczna grupa autorów artykułu opublikowanego w czasopiśmie Scientific Reports. 

Nauka w Polsce, Karolina Duszczyk

kol/ zan/