Sztuczna inteligencja Googla wykrywa przerzuty raka piersi z 99,3 proc. dokładnością

Statystycznie jedna na cztery pacjentki z rakiem piersi padła ofiarą błędów diagnostycznych. Z powodu przeoczenia w badaniu fizycznym, niekompletnych testów diagnostycznych oraz błędów ludzkich, chorobę często rozpoznaje się z opóźnieniem. Tymczasem na świecie pół miliona osób umiera rocznie z powodu raka piersi. Bezpośrednim powodem 90 proc. z tych śmierci są przerzuty pierwotnego guza do innych narządów. Tworzy je komórka nowotworowa, która oderwała się od pierwotnego guza. Taka „złośliwa komórka” wędruje w ciele z krwią lub limfą, dopóki nie osiądzie się w jakimś miejscu – organie, tkance – na stałe. Tam tworzy nowy, często bardziej złośliwy i szybko rozrastający się guz przerzutowy. Proces ten, zwany metastazą, jest bardzo trudny do wykrycia. Mówimy bowiem o stosunkowo małej ilości podróżujących w nieznane komórek, a nie dużym, zbitym skupisku.
Grupa naukowców z Naval Medical Center w San Diego wraz z oddziałem Google zajmującym się sztuczną inteligencją, opracowała narzędzie wykorzystujące algorytmy, które autonomicznie ocenia próbki pobrane podczas biopsji węzłów chłonnych.
Dlaczego węzłów chłonnych? Bo to droga, którą komórki oderwane od pierwotnego guza wydostają się z piersi, by rozsiać się po ciele – taki ostatni check point.

Z informacji podanych przez autorów wynika, że system LYNA (z ang. asystent węzłów chłonnych) w testach wykrywał patologiczne komórki z imponującą dokładnością. Aż 99,3 proc. nieprawidłowych komórek w próbce zostało przez wskazanych przez system. Dla porównania, histopatologom zdarza się pominąć niewielkie ogniska aż w 62 proc. przypadków, jeśli znajdą się pod presją czasu.
LYNA jest oparta na Inception-v3, modelu głębokiego uczenia się rozpoznawania obrazu.
System wykrywa zmiany na poziomie pikseli, tworząc prognozy dla próbki tkanki i oznaczając ją jako „łagodną” lub „złośliwą”, a następnie dostosowuje wagi algorytmiczne modelu w celu zmniejszenia błędu. Algorytm doskonali się dzięki ekspozycji na próbki normalnych i nowotworowych tkanek, aby mógł „zobaczyć” jak największą ich różnorodność.
– Ta technika może znacznie poprawić produktywność patologów i zmniejszyć liczbę fałszywych negatywów związanych z detekcją morfologicznie zmienionych komórek nowotworowych – twierdzą autorzy. – Mamy nadzieję, że już niedługo narzędzie to stanie się istotnym wsparciem w diagnostyce różnych nowotworów.
Tekst: Aleksandra van den Born