Các nhà nghiên cứu đã đào tạo một chương trình máy tính để đọc các mẫu mô nhằm chẩn đoán hai loại ung thư phổi phổ biến nhất với độ chính xác 97%. Chương trình cũng học cách phát hiện các đột biến gen liên quan đến ung thư trong các mẫu chỉ bằng cách phân tích hình ảnh của mô ung thư.

Trong một quá trình được gọi là học máy, chương trình máy tính đã quét hình ảnh của các lát mô và phát triển khả năng phân biệt mô phổi bình thường với hai dạng ung thư phổi phổ biến nhất là ung thư biểu mô tuyến chiếm khoảng 40% ung thư phổi và tế bào vảy. ung thư biểu mô, chiếm khoảng 25% đến 30% ung thư phổi. Ngay cả các nhà nghiên cứu bệnh học có kinh nghiệm cũng có thể gặp khó khăn trong việc phân biệt hai loại ung thư phổi này, chúng phát sinh từ các loại tế bào khác nhau và đòi hỏi các chế độ điều trị rất khác nhau.

Để đào tạo chương trình máy tính, các nhà nghiên cứu chuyên về máy học đã sử dụng phương pháp học sâu do Google phát triển và xuất bản lần đầu. Chương trình sử dụng trí tuệ nhân tạo (AI) để dạy chính nó hoàn thành tốt hơn một nhiệm vụ—trong trường hợp này là phân loại các mẫu bệnh phẩm ung thư phổi—mà không được cho biết chính xác cách thực hiện.

Chương trình được đào tạo bằng cách sử dụng hơn 1.600 tiêu bản mô bệnh học của các mẫu phổi được The Cancer Genome Atlas (TCGA) cung cấp công khai. Nghiên cứu, dẫn đầu bởi các nhà nghiên cứu tại Trung tâm Y tế Langone của Đại học New York và được xuất bản vào ngày 17 tháng 9 trên tạp chí Nature Medicine , thể hiện sự cải thiện lớn về độ chính xác của các phương pháp tính toán để chẩn đoán ung thư phổi; phương pháp tính toán chính xác thứ hai có tỷ lệ chính xác là 83%.

Hình ảnh dưới dạng Dữ liệu và Tài nguyên Công cộng

TCGA cung cấp hình ảnh mô bệnh học của các mẫu khối u như một biện pháp kiểm soát chất lượng cho các nhà nghiên cứu nghiên cứu dữ liệu trình tự di truyền được thu thập trong dự án. Tiến sĩ Jean C. Zenklusen, giám đốc TCGA tại NCI cho biết: “Các hình ảnh “được yêu cầu để đảm bảo rằng chất lượng và đặc điểm nhận dạng của mô là chính xác”. Tiến sĩ Zenklusen cho biết, như một lợi ích ngẫu nhiên, bản thân những hình ảnh giờ đây đóng vai trò là nguồn tài nguyên để phân tích.

Các hình ảnh do TCGA cung cấp có kích thước lớn và độ phân giải cao, vì vậy các nhà nghiên cứu tại NYU đã chia mỗi hình ảnh thành hàng nghìn ô xếp hoặc “các bản vá” trong một lưới để chương trình máy tính phân tích riêng lẻ các dấu hiệu trực quan có thể được liên kết với mẫu của phân loại. “Chúng tôi có khoảng 500 bệnh nhân cho mỗi phân nhóm [ung thư phổi], nhưng có hàng nghìn bản vá trên mỗi hình ảnh, vì vậy cuối cùng chúng tôi có gần một triệu bản vá để đào tạo mô hình,” Narges Razavian, Tiến sĩ, một nhà máy học và AI cho biết. nhà nghiên cứu tại NYU Langone, người đã giúp dẫn dắt cuộc nghiên cứu.

Độ chính xác mà chương trình học được để phân biệt ung thư biểu mô tuyến với ung thư biểu mô tế bào vảy và tế bào phổi bình thường tương đương với độ chính xác của các nhà nghiên cứu bệnh học có kinh nghiệm, nhưng việc phân tích có thể được thực hiện nhanh hơn nhiều; chương trình có thể đưa ra kết luận chỉ trong vài giây thay vì vài phút mà một nhà nghiên cứu bệnh học cần.

Các nhà nghiên cứu viết rằng chương trình cũng đã phân loại chính xác 45 trong số 54 hình ảnh mà ít nhất một trong ba nhà nghiên cứu bệnh học tham gia nghiên cứu đã phân loại sai, cho thấy AI có thể đưa ra ý kiến thứ hai hữu ích.

Chương trình đã được thử nghiệm trên một bộ mẫu bệnh phẩm ung thư phổi độc lập—cả đông lạnh và mới được thu thập—từ NYU để xác minh rằng nó hoạt động trên một bộ sưu tập mẫu hoàn toàn riêng biệt.

Các mẫu từ TCGA gần như hoàn toàn là mô khối u. Tuy nhiên, trong bộ xác thực này, các mẫu thường bao gồm các thành phần khác, chẳng hạn như cục máu đông và mô chết, “làm cho nhiệm vụ phân loại trở nên khó khăn hơn” đối với chương trình, các nhà nghiên cứu báo cáo.

Đáp lại, họ đã làm lại chương trình để nó tập trung vào các phần của mẫu mô mà phần lớn là khối u (được xác định bởi một nhà nghiên cứu bệnh học). Với sự thay đổi đó, độ chính xác của phương pháp đạt trung bình hơn 90%, mà họ mô tả là “rất đáng khích lệ”.

Vai trò của AI trong điều trị và nghiên cứu

Do tốc độ và độ chính xác của chương trình máy tính, nhóm nghiên cứu đề xuất công cụ này có thể được sử dụng trong quá trình phẫu thuật, chẳng hạn như giúp xác minh rằng sinh thiết có đủ chất lượng để chẩn đoán hoặc thông báo cho bác sĩ phẫu thuật rằng cần một mẫu khác.

Ngoài việc chỉ ra rằng AI có thể được sử dụng để chẩn đoán nhanh chóng và chính xác, dự án nghiên cứu còn cho thấy AI có thể được đào tạo để dự đoán sự hiện diện của 6 trong số các đột biến gen phổ biến nhất trong ung thư biểu mô tuyến ung thư phổi, với độ chính xác từ 64%. đến 86%, tùy thuộc vào gen.

Tiến sĩ Razavian nói: “Điều đó rất thú vị về mặt khoa học.

Hiện tại, cách duy nhất con người có thể phát hiện đột biến gen là giải trình tự DNA, quá trình này có thể mất tới 2 tuần.

Tiến sĩ Razavian lưu ý: “Ung thư phổi thường được phát hiện muộn trong quá trình tiến triển của bệnh, vì vậy việc chờ đợi 2 tuần mới bắt đầu điều trị là không tốt cho bệnh nhân.

Nhiều nhóm y tế sẽ bắt đầu điều trị và sau đó điều chỉnh thuốc được sử dụng dựa trên kết quả xét nghiệm di truyền. Tiến sĩ Razavian cho biết: “Những gì chúng tôi cho thấy là với chương trình này, bạn có thể bắt đầu một phương pháp điều trị phù hợp ngay lập tức.

Chương trình là một “hộp đen”, trong đó các quyết định của nó là kết quả của hàng nghìn bước nhỏ được kết nối với nhau, không dễ để tóm tắt. Các nhà nghiên cứu không thể hình dung chính xác những gì chương trình phát hiện trong một hình ảnh để dự đoán sự hiện diện của các đột biến gen, nhưng chương trình có thể đóng vai trò là “một thấu kính hiển thị các mẫu khó nhận thấy bằng mắt thường,” Tiến sĩ Razavian nói.

Cô và các đồng nghiệp của mình đang sử dụng chương trình này để nghiên cứu cách đột biến gen ảnh hưởng đến cấu trúc của tế bào và mô. Để tiếp cận vấn đề này, họ đang sử dụng các phương pháp tự động sửa đổi hình ảnh để tìm ra yếu tố hình ảnh nào ảnh hưởng nhiều nhất đến khả năng nhận biết các đột biến của chương trình.

Paula Jacobs, Ph.D., phó giám đốc Chương trình Hình ảnh Ung thư của NCI cho biết: “Điểm mạnh của nghiên cứu là sự lựa chọn cẩn thận vấn đề lâm sàng cần giải quyết,” chương trình được đào tạo như thế nào và thực tế là kết quả đã được xác minh bằng cách sử dụng một bộ mẫu bệnh phẩm ung thư phổi độc lập.

Michael Snyder, Tiến sĩ, chủ tịch khoa di truyền học tại Đại học Stanford, coi AI là tương lai của chẩn đoán. Ông nói: “Tôi nghĩ chúng ta cần chuyển sang sử dụng máy học thay vì chỉ dựa vào các nhà nghiên cứu bệnh học để làm tất cả công việc. “Các thuật toán sẽ không thay thế các nhà nghiên cứu bệnh học, nhưng chúng sẽ hỗ trợ họ trong việc phân loại. Chúng sẽ làm giảm những sai sót mà các nhà nghiên cứu bệnh học thường mắc phải.”

Mã được phát triển cho dự án có sẵn cho các nhà nghiên cứu khác sử dụng cho các ứng dụng chẩn đoán khác. Nhóm NYU đã bắt đầu áp dụng mã để học cách chẩn đoán ung thư thận, vú và các bệnh ung thư khác.