Колоректальный рак, или же, как его еще называют, рак толстой кишки, является третьим по частоте выявляемости видом рака у мужчин и вторым среди женщин. По данным ВОЗ, ежегодно у двух миллионов человек выявляют рак толстой кишки, среди них более 800 тысяч случаев приводят к летальному исходу.

Примеры препаратов колоректальной ткани, окрашенных меченым гематоксилином и эозином (H and E) разных классов

Примеры препаратов колоректальной ткани, окрашенных меченым гематоксилином и эозином (H and E) разных классов

 

В настоящее время основанием для начала лечения является морфологическая верификация опухолевого процесса преимущественно по материалу эндоскопической биопсии толстой кишки. По словам экспертов, патологоанатомическое исследование достаточно субъективный процесс, основанный на распознавании в гистологических препаратах различных морфологических признаков, и судьбу пациента, как правило, решает один специалист. Из-за дефицита кадров врачей-патологоанатомов наладить систему референсных исследований всех биопсий – практически невыполнимая задача, с которой в будущем могут справиться компьютерные технологии. Если создать специализированное программное обеспечение, которое сможет с высокой точностью распознавать различные морфологические признаки опухолей толстой кишки, то такая система может стать независимым контролем качества прижизненных патологоанатомических исследований, и в случае расхождения врачебного диагноза и мнения компьютерной программы решение должен принимать врач-эксперт более высокого уровня.

Ученые Международного исследовательского института интеллектуальных материалов ЮФУ разработали систему независимого контроля качества прижизненных патологоанатомических исследований биопсий опухолей толстой кишки, используя методы глубокого обучения, а именно предварительно обученных сверхточных нейронных сетей. Было доказано, что новый метод анализа отсканированных биопсий опухолей диагностирует типы онкологий с точностью до 96%.

Для решения задачи классификации фрагментов отсканированных биопсий использовалась идея трансферного обучения. Исследователи брали за основу предобученные на наборе данных ImageNet (база набора данных миллионов помеченных изображений с высоким разрешением, относящихся примерно к 22 тысячам категорий) глубокие нейронные сети и проводили дополнительное обучение на изображениях из базы WSI-изображений (изображение, созданное путем полной оцифровки стекла с разрешением до 200000 точек на дюйм), чтобы настроить эти сети решать медицинскую задачу.

«Разработка новых методов диагностики колоректального рака обременяет специалистов медицинской отрасли работой по сегментации. Глубокое обучение успешно применялось в вычислительной патологии в последние несколько лет для автоматизации этой задачи. Компьютерная программа может автоматически обрабатывать большие объемы WSI, не чувствуя усталости, таким образом, становясь полезным помощником искусственного интеллекта для медицинских работников», – рассказал инженер лаборатории технологий искусственного интеллекта и больших данных для нанодиагностики материалов МИИ ИМ ЮФУ Сергей Солдатов.

Применение глубокого обучения в диагностике колоректального или других видов рака имеет много преимуществ, например высокую скорость диагностики. Однако некоторые типы рака встречаются очень редко, и у исследователей не было возможности научить нейросеть достаточно хорошо их диагностировать. Авторы надеются в будущем расширить базу данных для обучения и натренировать нейросети правильно классифицировать даже редкие виды онкологий.

Результаты исследования опубликованы в престижном научном журнале «Algorithms». Данная статья была отмечена редакцией журнала за высокую научную ценность и помещена на обложку журнала.

 

Информация и фото предоставлены Центром общественных коммуникаций Южного федерального университета

Фото: личный архив, Сергей Солдатов