Wetenschappers van het TSU-laboratorium voor biofotonica, werken met oncologen van Tomsk National Research Medical Center (TNIMC), hebben een nieuwe benadering ontwikkeld voor de diagnose van adenocarcinoom, een kwaadaardige tumor van de prostaatklier, die kunstmatige intelligentie gebruikt om oncopathologie te identificeren en het stadium van de ziekte te bepalen. Met behulp van machinaal leren, een computermodel werd geleerd om met 100 procent nauwkeurigheid onderscheid te maken tussen gezonde weefsels en pathologie.

De gouden standaard voor de diagnose van kanker is histologie, waarbij weefsel van een patiënt wordt onderzocht op kwaadaardige veranderingen. Zodat de monsters lang kunnen worden bewaard, ze zijn gedehydrateerd en verpakt in paraffine. Vervolgens maken experts dunne coupes en bekijken deze dia's onder een microscoop.

"Gebruikelijk, meerdere mensen werken met prostaatbiopten, en na het bestuderen van de secties, zij nemen een collegiale beslissing, " zegt Joeri Kistenev, uitvoerend directeur van het TSU Institute of Biomedicine. "De menselijke factor is niet geëlimineerd, daarom, door subjectieve beoordeling, er zijn foutieve conclusies. We probeerden dit probleem op te lossen met behulp van IT-technologieën:we ontwikkelden een computermodel en, door machinaal leren, leerde het hoe abnormale gebieden te detecteren met behulp van een hulpmiddel zoals terahertz-spectroscopie."

Volgens Joeri Kistenev, bij de analyse, kunstmatige intelligentie detecteert niet alleen de aanwezigheid van kankercellen, maar evalueert de tumor ook volgens de Gleason-score, die traditioneel wordt gebruikt bij de diagnose van prostaatkanker om de mate van maligniteit te bepalen (indicatoren van 1 tot 10), wat belangrijk is om het verloop van de ziekte te voorspellen.

"Terahertz-spectroscopie visualiseert het monster heel goed omdat een laser van 2500 tot 4000 punten in een klein gebied leest, " zegt Anastasia Knjazkova, TSU afgestudeerde student, een van de projectleiders. "Een computermodel werd getraind op monsters van gezond en ziek weefsel, die werden verstrekt door het Research Institute of Oncology, TNIMC. Dus, kunstmatige intelligentie leerde de norm en pathologie te scheiden. Een test van het vermogen om adenocarcinoom te verifiëren werd uitgevoerd door de monsters die niet in de training werden gebruikt. Beoordeling van de maligniteit werd uitgevoerd voor monsters met een rangschikking van 4 en 8 op de Gleason-schaal. De nauwkeurigheid van de differentiële diagnose was 100 procent."

Volgens de medewerkers van het Laboratorium voor Biofotonica, naarmate de gegevens zich ophopen, het model zal de tumor op de volledige Gleason-schaal kunnen evalueren, waarna de nieuwe tool in de klinische praktijk kan worden geïntroduceerd. Zoals Joeri Kistenev opmerkte, de aanpak is universeel. Het is al getest voor het diagnosticeren van melanoom. Als er voldoende trainingsmateriaal is (monsters met norm en pathologie), het model kan worden getraind in de diagnose van andere kankers.