Согласно новому исследованию, проведенному учеными из Медицинской школы Стэнфордского университета, компьютеры можно научить точнее, чем патологоанатомов, оценивать слайды тканей рака легких.
Исследователи обнаружили, что подход машинного обучения к выявлению критических характеристик, связанных с заболеванием, позволяет точно дифференцировать два типа рака легких и прогнозировать время выживания пациентов лучше, чем стандартный подход патологов, классифицирующих опухоли по степени и стадии.
"Патология в том виде, в котором она практикуется сейчас, очень субъективна," сказал Майкл Снайдер, доктор философии, профессор и заведующий кафедрой генетики. "Два высококвалифицированных патологоанатома, оценивающих один и тот же слайд, согласятся только в 60% случаев. Такой подход заменяет эту субъективность сложными количественными измерениями, которые, по нашему мнению, могут улучшить результаты лечения пациентов."
Исследование будет опубликовано в августе. 16 в Nature Communications. Снайдер, который руководит Стэнфордским центром геномики и персонализированной медицины, разделяет старшее авторство исследования с Дэниелом Рубином, доктором медицины, доцентом радиологии и медицины. Аспирант Кун-Син Ю, доктор медицинских наук, является ведущим автором исследования.
Хотя текущее исследование было сосредоточено на раке легких, исследователи полагают, что аналогичный подход может быть использован для многих других типов рака.
"В конечном итоге этот метод позволит нам понять молекулярные механизмы рака, связав важные патологические особенности с данными о результатах," сказал Снайдер.
Оценка степени и тяжести рака
На протяжении десятилетий патологи оценивали степень тяжести или "оценка," рака с помощью светового микроскопа для исследования тонких поперечных срезов опухолевой ткани на предметных стеклах. Чем более аномальной выглядела опухолевая ткань – с точки зрения размера и формы клеток, среди других показателей – тем выше оценка. Стадия также назначается в зависимости от того, распространился ли рак по всему телу и где.
Часто степень и стадию рака можно использовать, чтобы предсказать, как пациент будет себя чувствовать. Они также могут помочь врачам решить, как и насколько агрессивно лечить болезнь. Однако эта система классификации не всегда подходит для рака легких. В частности, подтипы рака легких – аденокарцинома и плоскоклеточная карцинома – может быть трудно различить при исследовании слайдов культуры ткани. Кроме того, стадия и степень рака пациента не всегда коррелируют с его прогнозом, который может сильно различаться. Например, пятьдесят процентов пациентов с аденокарциномой первой стадии умирают в течение пяти лет после постановки диагноза, в то время как около 15 процентов живут более 10 лет.
Исследователи использовали 2186 изображений из национальной базы данных под названием «Атлас генома рака», полученных от пациентов с аденокарциномой или плоскоклеточным раком. База данных также содержала информацию о степени и стадии, присвоенной каждому раку, и о том, как долго каждый пациент прожил после постановки диагноза.
Затем исследователи использовали изображения для "тренироваться" компьютерная программа для определения гораздо большего количества специфических для рака характеристик, чем может быть обнаружено человеческим глазом – почти 10 000 индивидуальных черт по сравнению с несколькими сотнями, которые обычно оцениваются патологами. Эти характеристики включали не только размер и форму клеток, но также форму и текстуру ядер клеток и пространственные отношения между соседними опухолевыми клетками.
"Мы начали исследование без каких-либо предвзятых идей и позволили программе определить, какие характеристики важны," сказал Снайдер, который является Стэнфордским W. Ашерман, д.м.н., FACS, профессор генетики. "Оглядываясь назад, все имеет смысл. И компьютеры могут оценивать даже крошечные различия между тысячами образцов во много раз точнее и быстрее, чем человек."
Перенос патологии в 21 век
Исследователи сосредоточились на подмножестве клеточных характеристик, определенных программным обеспечением, которые лучше всего можно было бы использовать для дифференциации опухолевых клеток от окружающей доброкачественной ткани, определения подтипа рака и прогнозирования того, как долго каждый пациент будет жить после постановки диагноза. Затем они подтвердили способность программного обеспечения точно отличать краткосрочных выживших от тех, кто прожил значительно дольше, на другом наборе данных о 294 пациентах с раком легких из Стэнфордской базы данных микрочипов тканей.
Выявление ранее неизвестных физических характеристик, которые могут предсказать тяжесть рака и время выживания, также, вероятно, приведет к лучшему пониманию молекулярных процессов инициации и прогрессирования рака. В частности, Снайдер ожидает, что система машинного обучения, описанная в этом исследовании, сможет дополнить новые области геномики рака, транскриптомики и протеомики. Исследователи рака в этих областях изучают мутации ДНК и паттерны экспрессии генов и белков, которые приводят к заболеваниям.
"Мы начали это исследование, потому что хотели объединить визуализацию с нашими «омическими» исследованиями, чтобы лучше понять процессы рака на молекулярном уровне," Снайдер сказал. "Это переносит патологию рака в 21 век и может стать отличной вещью для пациентов и их врачей."