Syväoppimismalli arvioi eri solutyyppejä digitaalisesta kudosleikekuvasta. Oikeanpuoleiseen kuvaan merkitty tumien perusteella tunnistetut solutyypit: kasvainsolut, sidekudossolut, tulehdussolut ja kuolleet solut.
Itä-Suomen yliopiston tutkijat ovat kehittäneet huippuluokan syväoppimismallin, joka pystyy tunnistamaan ja laskemaan erilaiset solutyypit syöpäkasvaimen mikroympäristöstä. Tämän multimodaalisen syväoppimismallin odotetaankin parantavan syöpädiagnostiikan tarkkuutta ja tehokkuutta sekä hoidon suunnittelua.
Erilaisten solutyyppien tunnistaminen kasvaimen mikroympäristöstä tarjoaa arvokasta tietoa kasvaimen luonteesta ja sen taustalla vaikuttavista biologisista tekijöistä. Tarkkaa ja luotettavaa solulaskentaa tarvitaan sekä tutkimuksessa että potilaiden hoidossa. Tutkijat voivat esimerkiksi tarkastella kasvaimen mikroympäristön solutyyppien jakautumaa ja sen yhteyttä potilastuloksiin. Potilastyössä solulaskentaa voidaan hyödyntää hoitovasteen ja taudin etenemisen seurannassa.
– Digitaalisista kudosleikekuvista tehtävään solulaskentaan tarvitaan nykyistä parempia, syväoppimista hyödyntäviä menetelmiä, kertoo väitöskirjatutkija Raju Gudhe, joka osallistui syväoppimismallin kehittämiseen kliinisen lääketieteen yksikössä toimivassa, tekoälymenetelmiä syövän diagnostiikkaan ja hoitoon kehittävässä Cancer AI -tutkimusryhmässä.
Tutkijat esittelivät CT-EMT:ksi nimetyn uuden syväoppimismallin lääketieteelliseen kuvantamiseen keskittyvässä SPIE Medical Imaging 2023 -konferenssissa San Diegossa Yhdysvalloissa. Näyttöön ja monilähteiseen oppimiseen perustuva malli paikkaa nykyisten menetelmien puutteita digitaalisista kasvainnäytekuvista tapahtuvassa solulaskennassa. Tutkijat ovat opettaneet ja testanneet malliaan avoimen lähdekoodin PanNuke- ja MoNuSac -datasettien avulla. Mallin toimintaa havainnollistetaan alla olevassa kuvassa.
Näyttöön ja monilähteiseen oppimiseen perustuva CT-EMT-malli ennakoi eri solutyyppien läsnäoloa hematoksyliini-eosiini-värjätyissä digitaalisissa kudosleikekuvissa. Malli paikallistaa kudosleikekuvasta tumat ja segmentoi ja luokittelee niiden perusteella solutyypit.
Keskimääräistä kuvanluennan laatua tarkasteltaessa uuden mallin tarkkuus solujen tyypittelyssä ja laskennassa oli 21 % parempi kuin HoVer-Net- mallin ja 12 % parempi kuin StarDist -mallin, jotka ovat nykyään parhaina pidettyjä malleja. Mallia voidaan hyödyntää myös laskennallisen patologian piirissä, kuten kasvaimen luokittelussa sekä hoitoennusteiden ja hoitosuunnitelmien tekemisen tukena. Syöpäpotilaiden diagnoosien ja hoidon parissa työskenteleville patologeille ja lääkäreille tutkijoiden kehittämä malli tarjoaa mahdollisuuden kehittää entistä tarkempia ja järeämpiä digitaalisen patologian työkaluja.
Esimerkkejä tuloksista alla olevassa kuvassa.
CT-EMT-mallin suoriutumista arvioitiin suhteessa olemassa oleviin malleihin. Solulaskennan oikea tulos näkyy eri värisinä alueina alkuperäisen kuvan päällä ja kuvan sivulla oleva pylväsdiagrammi esittää eri mallien suoriutumista solulaskennasta.
– Tutkimusryhmämme tavoitteena on selvittää syväoppimisteknologian mahdollisuuksia syöpään ja terveyteen liittyvän tiedon analysoinnissa, yliopistotutkija Hamid Behravan kertoo.
– Kehitämme ja testaamme huippuluokan syväoppimisalgoritmeja, joiden avulla voidaan analysoida syöpään ja terveyteen liittyvää dataa, kuten lääketieteellisiä kuvantamiskuvia, genomitietoja ja sähköisiä terveystietoja. Uskomme, että näin voidaan merkittävästi tarkentaa ja tehostaa rintasyövän diagnostiikkaa ja hoidon suunnittelua sekä auttaa havaitsemaan syöpäaineistoista myös täysin uutta tietoa. Haluamme tutkimuksellamme olla edistämässä täsmälääketieteen kehitystä sekä entistä tehokkaampien ja yksilöllisempien menetelmien kehittämistä rintasyövän ehkäisyyn ja ennusteen arviointiin.
Multimodaalinen syväoppimismallimme tekee rintasyövän diagnosoinnista ja hoidon suunnittelusta entistä tarkempaa ja tehokkaampaa.
Lisätietoja:
Väitöskirjatutkija Raju Gudhe, raju.gudhe(a)uef.fi
Yliopistotutkija Hamid Behravan, hamid.behravan(a)uef.fi, 050 513 9836
Professori Arto Mannermaa, arto.mannermaa(a)uef.fi, 040 355 2752
Viite:
Gudhe, Naga Raju, et al. "Predicting cell type counts in whole slide histology images using evidential multi-task learning." Medical Imaging 2023: Digital and Computational Pathology. Vol. 12471. SPIE, 2023.
