Գնահատել նախագիծը
← Բոլոր հրապարակումները

Կրծքագեղձի քաղցկեղի մետաստազների հայտնաբերումը ավշային հանգույցներում

Կրծքագեղձի քաղցկեղի մետաստազները ավշային հանգույցներում հայտնաբերելու Deep Learning մոտեցումը ավտոմատացնում է գործընթացը, աջակցում է պաթոլոգներին և ճշգրիտ նշում է փոքր ուռուցքները, իսկ բացատրելիության մեթոդները թույլ են տալիս աուդիտի ենթարկել մոդելը։

4 րոպե
Արհեստական ինտելեկտԲժշկական ոլորտmedtech

Տեղայնացված կրծքագեղձի քաղցկեղի դեպքում 5-ամյա գոյատևման մակարդակը գերազանց է՝ մոտ 99%։ Սակայն տարածաշրջանային քաղցկեղի դեպքում 5-ամյա գոյատևման մակարդակը իջնում է մինչև 86%, իսկ հեռավոր քաղցկեղի դեպքում՝ մինչև 31%։ Ահա թե ինչու վաղ, արագ և ճշգրիտ ախտորոշումը մեծապես բարձրացնում է հիվանդի գոյատևման շանսերը։

Կրծքագեղձի քաղցկեղը առավել հաճախ նախ տարածվում է անութափոսի ավշային հանգույցներում։ Մետաստազների և մահվան հավանականությունը աճում է քաղցկեղի հայտնաբերման պահին նրա չափի և ախտահարված անութային ավշային հանգույցների քանակի հետ մեկտեղ։ Այդ պատճառով ավշային հանգույցները վիրահատական ճանապարհով հեռացվում և հետազոտվում են մանրադիտակի տակ։ Սակայն պաթոլոգների համար այս ախտորոշիչ ընթացակարգերը աշխատատար են և դանդաղ։ Ամենից առաջ փոքր մետաստազները դժվար է նկատել, և երբեմն դրանք աչքից վրիպում են։

AI-ը կարող է աջակցել պաթոլոգներին՝ ցույց տալով ուռուցքային շրջանները մարդու հյուսվածքի վրա whole slide image-ներում (WSI)։ Սա ուռուցքի հայտնաբերումը դարձնում է ավելի արագ և ճշգրիտ, ինչն իր հերթին բարձրացնում է գոյատևման մակարդակը։

WSI-ի մշակում

WSI-ները մարդու հյուսվածքի հսկայական մանրադիտակային պատկերներ են։ Այս գիգապիքսելային պատկերները հաճախ գերազանցում են 100,000x100x000 պիքսելը լայնությամբ x բարձրությամբ։ Քանի որ ամբողջ պատկերը չի կարելի միանգամից մշակել, այն սովորաբար բաժանվում է բազմաթիվ patch-երի, և աշխատանքը կատարվում է patch առ patch։ WSI-ի հետ աշխատելու համար խորհուրդ եմ տալիս CLAM-ը։ Այս Python գրադարանը առաջարկում է մեքենայական ուսուցման խնդիրների համար հատուկ ստեղծված հնարավորություններ՝ հյուսվածքի տարածքների ընտրություն, patch-երի արտահանում և հատկանիշների արտահանում։

WSI-ի սեգմենտացիա

Ինչու ոչ U-Net

Համակարգչային տեսողության մեջ U-Net-ը պատկերների սեգմենտացիայի ստանդարտ գործիքն է։ Այն ստեղծվել է 2015-ին University of Freiburg-ում բիոբժշկական պատկերների սեգմենտացիայի համար։ Այսօր այն լայնորեն օգտագործվում է նաև այլ խնդիրների համար, ինչպիսիք են պատկերի ոճի փոխանցումը և stable diffusion-ը։ Սակայն WSI-ի դեպքում պատկերը մոտ 100,000x100,000 չափ ունի, ուստի չի կարելի միանգամից մշակել։ Կարելի է պատկերը կտրել բազմաթիվ patch-երի և U-Net-ը գործարկել յուրաքանչյուր patch-ի վրա առանձին։ Սակայն whole slide imaging-ում մարդու հյուսվածքի համար այս մոտեցումը իդեալական չէ։

U-Net-ի ճարտարապետությունը

Նկար 1. U-Net-ի ճարտարապետությունը, ներկայացված U-Net: Convolutional Networks for Biomedical Image Segmentation-ում։

Ստորև բերված են մի քանի պատճառներ, թե ինչու U-Net-ը լավագույնս չի համապատասխանում WSI-ի սեգմենտացիային՝

  • Սեգմենտացիայի նպատակն է յուրաքանչյուր պիքսելին դաս տալ՝ առաջնապլան կամ հետնապլան։ Մեկ 224x224 patch-ը պարունակում է ընդամենը մի քանի բջիջ։ Ավելի իմաստալից է դասակարգել յուրաքանչյուր բջիջը, քան յուրաքանչյուր պիքսելը։
  • 100,000x100,000 սեգմենտացիայի դիմակը ավելորդ է։ Ավելի ցածր լուծաչափը ավելի հեշտ է պահել և մշակել, և այն ավելի քան բավարար է պաթոլոգին աջակցելու համար։
  • Երկուական դասակարգումը ավելի հեշտ է վարժեցնել և ավելի լավ արդյունքներ է տալիս, քան պատկերի սեգմենտացիան։ Այդ պատճառով patch-ի մակարդակով ուռուցք-նորմալ դասակարգումը նախընտրելի է U-Net սեգմենտացիայից։
  • Համընկնողություն սահմաններում։ Մեկ-մեկ պիքսելները սեգմենտավորելու փոխարեն ամբողջ patch-երը դասակարգելը արդյունքները patch-երի միջև դարձնում է ավելի համահունչ։

Patch-ի մակարդակով դասակարգում

U-Net սեգմենտացիայի փոխարեն WSI-ի սեգմենտացիան սովորաբար հենվում է patch-ի մակարդակով դասակարգման վրա։ WSI-ը բաժանվում է 224x224 patch-երի, և յուրաքանչյուր patch դառնում է առանձին ուսուցման օրինակ։ Patch-ը մտնում է դասակարգման մոդելի մեջ, որը ելքում տալիս է 0՝ նորմալ, քաղցկեղից զերծ patch-երի համար, և 1՝ ուռուցք պարունակող patch-երի համար։ Inference-ի ժամանակ վերջնական սեգմենտացիայի քարտեզը հավաքվում է WSI-ի յուրաքանչյուր patch-ի կանխատեսումներից։

Կրծքագեղձի քաղցկեղի մետաստազների հայտնաբերման pipeline-ը

Նկար 2. Կրծքագեղձի քաղցկեղի մետաստազների հայտնաբերման pipeline-ը։ WSI-ը բաժանվում է բազմաթիվ 224x224 patch-երի։ ResNet18-ը մշակում է յուրաքանչյուր patch և վերադարձնում կանխատեսում։

Կրծքագեղձի ուռուցքները հայտնաբերելու համար օգտագործում ենք նախապես վարժեցված ResNet18 մոդել, որի վերջին լրիվ կապակցված շերտը փոխարինված է 1x1 convolution շերտով։ Մոդելը մուտքում ստանում է 224x224 WSI patch-եր։ Այն ելքում տալիս է երկուական դաս՝ 0 կամ 1, որտեղ 0-ն նշանակում է նորմալ patch, իսկ 1-ը՝ ուռուցքային patch։ Նկար 2-ը ցույց է տալիս կանխատեսման pipeline-ը։ Գնահատման համար օգտագործեցինք Camelyon16 մրցույթի WSI-ները՝ Monai model zoo-ից նախապես վարժեցված մոդելի հետ։

Արդյունքներ

Վերջնական սեգմենտացիայի քարտեզը հավաքվում է patch առ patch կանխատեսումներից։ Նկար 3-ը ցույց է տալիս ուռուցքի հայտնաբերման ալգորիթմի ելքը կրծքագեղձի հյուսվածքի վրա։ Ալգորիթմը հստակ գտել է ուռուցք հյուսվածքի վերին ձախ մասում, ինչպես նաև false positive աղմուկ պատկերի այլ մասերում։ Կանխատեսված սեգմենտացիայի դիմակը կարելի է հետո post-process անել մորֆոլոգիական գործողություններով՝ աղմուկը ճնշելու և իրական ուռուցքային շրջաններում ազդանշանը ուժեղացնելու համար։

Նկար 3. Ուռուցքի սեգմենտացիայի ելքը։

Ամփոփում

Այս հոդվածը ներկայացրեց կրծքագեղձի քաղցկեղի մետաստազները ավշային հանգույցներում հայտնաբերելու մոտեցում։ Deep Learning-ը թույլ է տալիս ավտոմատացնել գործընթացը և կարող է մեծապես աջակցել պաթոլոգներին իրենց աշխատանքում։ Դրա հետ մեկտեղ, AI-ը կարող է օգնել ճշգրիտ նշել ուռուցքի փոքր շրջանները, որոնք դժվար է հայտնաբերել և որոնք այլապես կարող էին վրիպել պաթոլոգի աչքից։ Բացատրելիության մեթոդները թույլ են տալիս աուդիտի ենթարկել AI մոդելը։ Եթե ցանկանում եք իմանալ, թե ինչպես կարող է AI-ը օգնել ձեր բժշկական դեպքում, մի տատանվեք կապվել մեզ հետ։ Ուրախ կլինեմ քննարկել ձեր դեպքը։