Как машинное обучение помогает бороться с раком

Инженер-исследователь Южного федерального университета Елена Варламова рассказала о новейших технологиях с использованием методов машинного обучения (ML) для решения проблем распознавания рака, планирования оптимальных стратегий лечения, прогнозирования вероятности выживания пациентов, а также поделилась, какие исследования в этой области ведутся в вузе.

Так, разработки ученых ЮФУ позволят сократить время постановки правильного диагноза, а также смогут быть применены в лечении разных видов рака.

На сегодняшний день рак является одним из самых страшных и распространенных заболеваний в мире: только в 2022 году, по данным Всемирной организации здравоохранения (ВОЗ), во всем мире выявлено 20 млн. новых случаев рака, из которых 1 930 000 случаев приходится на рак легких. Более того, во всем мире наблюдается устойчивая тенденция роста новых случаев онкологических заболеваний.

Исследованиями в области диагностики и изучения онкозаболеваний в Южном федеральном университете занимаются разные группы ученых, одни из которых – сотрудники Международного исследовательского института интеллектуальных материалов и Центра наукоемкого приборостроения ЮФУ.

Недавно команда ученых ЮФУ представила работу, в которой описаны недавние применения машинного обучения в онкологии, в частности при анализе медицинских изображений, планировании лечения, прогнозировании выживаемости пациентов и синтезе лекарств. Выяснилось, что использование искусственного интеллекта (ИИ) в онкологии действительно способствует ускорению процессов диагностики и планирования лечения за счет возможности непрерывной обработки больших массивов данных, что требует больших ресурсных затрат от специалистов-медиков, в том числе затрат по времени

-Быстрый и надёжный анализ медицинских изображений имеет критически важное значение при быстротекущих формах рака. В этом смысле повысить качество терапии и ухода за пациентами может внедрение машинного обучения (ML) для анализа постоянно растущих объемов больших данных. Сегодня мы видим на практике, что ML уже используется для работы с различными видами рака, такими как карцинома, глиома, рак эндометрия, рак простаты и другие, – рассказала инженер-исследователь исследовательской лаборатории «Микрофлюидные технологии для ускоренного синтеза материалов» ЦНП ЮФУ Елена Варламова.

В работе молодые ученые также подчеркнули особенности использования различных моделей ML, влияющих на выбор конкретного алгоритма для решения каждой конкретной задачи, и проанализировали перспективы использования ML в онкологии как полноценного инструмента диагностики и локализации злокачественных опухолей. По их словам, несмотря на эффективность использования ИИ в медицине, существует ряд барьеров, связанных с правовыми, нормативными и этическими проблемами, например, недостаточной представленностью некоторых групп населения в датасетах (набор данных, используемый в различных видах анализа и машинного обучения), на которых обучаются алгоритмы.

– Несмотря на перспективы использования машинного обучения для решения онкологических проблем, остается ряд нерешенных задач, в частности задача стандартизации данных; предвзятость, присущая наборам обучающих данных; недостаточное количество перспективных клинических исследований.

Е1е одной сложностью, приводящей к предвзятости при прогнозировании результатов, является недостаточная представленность некоторых групп населения (подростков, женщин и т.д.) во время клинических испытаний, на основе которых формируются наборы данных. Отсутствие обучающих данных для некоторых групп людей может привести к ошибочным прогнозам модели ML, что неприемлемо для дальнейшего внедрения в клиническую практику. Необходимо обеспечить более широкое включение различных групп населения в обучающие датасеты, что потребует времени. Кроме того, потребуется модификация существующих решений, которая уменьшит возможные систематические ошибки в наборах данных. На данный момент внедрение искусственного интеллекта в медицинскую практику используется не как инструмент принятия решений, а как подтверждение решения, принятого специалистом-человекок, – отметила Елена Варламова.

Стоит отметить, что в ЮФУ активно ведутся практические исследования, направленные на применение методов ML в диагностике и терапии онкозаболеваний. В частности, на сегодняшний день специалистами был разработан метод Pathologist AI, позволяющий после анализа большого массива результатов гистологических экспериментов обучить модель и сделать предсказания о вероятном диагнозе с высокой степенью точности (> 96%).

-Данный проект призван значительно сократить время и сложность работы врача-патологоанатома за счет автоматической сегментации гистопатологических изображений и классификации найденных злокачественных клеток в образцах тканей, – поделились учёные.

На основе обучающей выборки из базы данных обезличенных гистопатологических изображений, размеченных высококвалифицированными профильными специалистами, была обучена нейронная сеть, способная определять наличие опухолей толстой кишки, и в случае ее наличия проводить сегментацию и классификацию раковых клеток. На ее основе было создано программное обеспечение (ПО) для автоматической диагностики типов онкозаболеваний толстой кишки. Ее отличительные особенности, определяющие преимущество над аналогами, – это способность проводить полностью автоматическую сегментацию гистопатологических изображений толстого кишечника, а также классификацию областей интереса (ROI), полученных с помощью этого же ПО.

-Сейчас в институте ведется разработка программного модуля автоматической постановки первичного диагноза по гистопатологическому изображению пациентов с подозрением на рак толстого кишечника. Это разработка может стать отличным помощником для врачей при установлении морфологического диагноза. Кроме того, у нас также проходят экспериментальные работы по получению нанокомпозитов для реализации технологии рентгеновской фотодинамической терапии – неинвазивного метода лечения глубоколежащих опухолей, – дополнила Елена.

По словам специалиста, команда ученых ЮФУ применяет технологию проточного микрофлюидного синтеза для синтеза и пост-обработки наночастиц тяжелых металлов, которые способны эффективно поглощать энергию рентгеновских фотонов и переизлучать ее в оптическом диапазоне, тем самым активируя молекулы специальных веществ – фотосенсибилизаторов, которые в последующем ответственны за локальную генерацию активных форм кислорода, вызывающих апоптоз патогенных клеток и тканей.

Микрофлюидный подход к синтезу таких наночастиц с возможностью регистрации спектральных данных непосредственно в ходе синтеза в проточных ячейках позволяет контролировать состав, размер и оптические свойства синтезируемых наночастиц, а использование предобученных моделей машинного обучения в рамках тестовых испытаний позволяет получить наночастицы с желаемыми оптическими свойствами.

Центр общественных коммуникаций Южного федерального университета