Forskare vid TSU Laboratory of Biophotonics, arbetar med Tomsk National Research Medical Center (TNIMC) onkologer, har utvecklat ett nytt tillvägagångssätt för diagnos av adenokarcinom, en elakartad tumör i prostatakörteln, som använder artificiell intelligens för att identifiera onkopatologi och bestämma sjukdomsstadiet. Med hjälp av maskininlärning, en datormodell lärdes att skilja mellan friska vävnader och patologi med 100 procents noggrannhet.

Guldstandarden för diagnos av cancer är histologi, under vilken vävnad från en patient undersöks för maligna förändringar. Så att proverna kan lagras under lång tid, de är uttorkade och förpackade i paraffin. Sedan gör experter tunna snitt och undersöker dessa objektglas under ett mikroskop.

"Vanligtvis, flera personer arbetar med prostatabiopsiprover, och efter att ha studerat avsnitten, de fattar ett kollegialt beslut, säger Yuri Kistenev, verkställande direktör för TSU Institute of Biomedicine. "Den mänskliga faktorn har inte eliminerats, därför, på grund av subjektiv bedömning, det finns felaktiga slutsatser. Vi försökte lösa detta problem med hjälp av IT -teknik - vi utvecklade en datormodell och, genom maskininlärning, lärde det hur man upptäcker onormala områden med hjälp av ett verktyg som terahertz-spektroskopi."

Enligt Yuri Kistenev, i analysen, artificiell intelligens upptäcker inte bara förekomsten av cancerceller, men utvärderar också tumören enligt Gleason-poängen, som traditionellt används vid diagnos av prostatacancer för att bestämma graden av malignitet (indikatorer från 1 till 10), vilket är viktigt när det gäller att förutsäga sjukdomsförloppet.

"Terahertz -spektroskopi visualiserar provet mycket bra eftersom en laser avläser från 2500 till 4000 punkter i ett litet område, " säger Anastasia Knyazkova, TSU doktorand, en av projektledarna. "En datormodell tränades på prover av frisk och sjuk vävnad, som tillhandahölls av Research Institute of Oncology, TNIMC. Således, artificiell intelligens lärde sig att skilja norm och patologi åt. Ett test av dess förmåga att verifiera adenokarcinom utfördes på den del av proverna som inte användes vid utbildning. Bedömning av maligniteten utfördes för prover med en rankning av 4 och 8 på Gleason-skalan. Noggrannheten i differentialdiagnosen var 100 procent. "

Enligt personalen på Laboratory of Biophotonics, allt eftersom data ackumuleras, modellen kommer att kunna utvärdera tumören på hela Gleason-skalan, varefter det nya verktyget kan introduceras i klinisk praxis. Som Yuri Kistenev noterade, tillvägagångssättet är universellt. Det har redan testats för att diagnostisera melanom. Om det finns en tillräcklig mängd träningsmaterial (prover med norm och patologi), modellen kan tränas i att diagnostisera andra cancerformer.