Vilniaus universiteto (VU) matematikos ir informatikos fakulteto (MIF) podoktorantūros stažuotoja dr. Dovilė Žilėnaitė-Petrulaitienė laimėjo podoktorantūros stažuotės poziciją „Krūties karcinomos mikroaplinkos tyrimas panaudojant dirbtinio intelekto metodus“. Kuo svarbus šis laimėjimas? Dr. D. Žilėnaitė-Petrulaitienė ieškos naujų biožymenų patologiniuose vaizduose ankstyvai krūties vėžio diagnostikai.
Tyrimai truks keletą metų – nuo 2022 iki 2024 m. „Informatyvių biožymenų paieška ankstyvai vėžio diagnostikai ilgą laiką vystoma heuristiniais metodais. Atsiradus aukšto lygio informacijos ištraukimo galimybėms taikant giliųjų mokymosi metodų technologijoms, tai sėkmingai galima perkelti į medicininių vaizdų analizę – automatizuojant ir spartinant biožymenų paiešką. Todėl šis tyrimas, turi labai svarbų praktinį aktualumą, kurį praktiškai galės panaudoti praktikai.“, – sako darbo vadovas doc. dr. Linas Petkevičius.
Mašininis mokymasis atveria kelią skaitmeninės patologijos erai klinikinėje praktikoje
Jau daugybę metų morfologinių navikų progresijos bruožų, tokių kaip dydžio, išplitimo į limfmazgius ir tolimuosius organus, diferenciacijos laipsnio bei standartinių biožymenų raiškos įvertinimas, yra pagrindiniai ir kartais vieninteliai patologiniai tyrimo metodai nustatant paciento diagnozę, prognozę ir atsaką į gydymą.
Vis dėlto, dirbtinio intelekto ir mašininio mokymosi technologijų pažanga bei didesnis dėmesys tiksliajai medicinai atveria kelią skaitmeninės patologijos erai klinikinėje praktikoje, leidžia ne tik tiksliau kiekybiškai ir erdviškai įvertinti biožymenų raišką nei vizualus patologo įvertinimas, bet ir išgauti akimis nematomą informaciją. Jau šiandien pasiūlyti įvairūs dirbtiniu intelektu pagrįsti įrankiai svariai prisideda prie sudėtingo patofiziologijos šifravimo, leidžia atrasti naujus biožymenis bei vaistų taikinius.
2015 m., dr. Dovilei Žilėnaitei-Petrulaitienei prisijungus prie Valstybinio patologijos centro komandos kartu su prof. Arvydu Laurinavičiumi bei jo suburtos mokslininkų komandos, buvo pradėti sudėtingi eksperimentiniai darbai, siekiant sukurti naviko ir jo mikroaplinkos biožymenų analizės metodiką, generuojančią multiparametrinius ir erdvinius duomenis iš skaitmeninės mikroskopijos vaizdų.
Pasitelkus gilaus mokymo ir dirbtinių neuroninių tinklų modelius naviko audinio klasifikavimui, taikant erdvinės statistikos metodus bei aiškias matematines taisykles, buvo sukurta išskirtinė navikinio audinio tyrimo metodologija. Ją taikant ne tik galima automatiškai nustatyti naviko ir stromos sąveikos zoną, apskaičiuoti antinavikinį imuninį atsaką apibūdinančius rodiklius, bet svarbiausia – prognozuoti pacientų bendrąjį išgyvenamumą.
Dr. D. Žilėnaitės-Petrulaitienės disertacijoje (2021) „Imunohistocheminių biožymenų tyrimai hormonų receptorių teigiamos duktalinės krūties karcinomos mikroaplinkos erdviniame kontekste skaitmeninės vaizdo analizės metodu“ taikant šį didelio efektyvumo, automatizuotą ir atkartojamais duomenų rinkiniais pagrįstą metodą, buvo ne tik pademonstruota, kad viso pjūvio naviko histologiniuose vaizduose galima išgauti naujus ir kliniškai naudingus imuninio atsako prieš naviką rodiklius, bet ir suskirstyti hormonų receptorių teigiamo krūties vėžio pacientes į geros ir blogos prognozės grupes, bei numatyti didesnę išgyvenimo tikimybę analizuojant vien tik imuninio infiltrato erdvines savybes apibūdinančius rodiklius.
Tolimesni žingsniai: tiesioginių biožymenų įvertinimo požymių apjungimas
Atliekant tyrimus buvo įrodyta, kad remiantis vien tik skaitmeninės vaizdo analizės duomenimis galima gauti integruotą prognozinį modelį, kuris pranoksta standartinius klinikos ir patologijos parametrus bei atspindi biologiškai svarbius ir savarankiškus naviko požymius. Paminėtina, kad šiame darbe taip pat buvo nustatyta, kad naujas biožymuo – CD8+SATB1+ T ląstelės, suteikia daugiau prognozinės informacijos negu standartinis kiekybinis CD8+ limfocitų įvertinimas ir atspindi aktyvų imuninį atsaką nukreiptą prieš naviką.
Vis dėlto, tai tik pirminiai duomenys – gauti modeliai reikalauja tolimesnio pritaikymo ir įdiegimo darbų didesnėje pacientų grupėje. Iš kitos pusės, šiame darbe nebuvo atsižvelgta į architektūrinės naviko mikroaplinkos savybes – audinių kolageno skaidulų išsidėstymą, kurios taip pat gali svariai prisidėti prie navikinio proceso vystymosi ir pagelbėti nustatant pacientų prognozę. Siekiant užbaigti šį tyrimą, būtina pritaikyti išsamesnius apskaičiuojamuosius matematinius metodus bei statistinį modeliavimą. Tikime, kad tik apjungus tiesioginius biožymenų įvertinimo požymius, kuriuos galima tiksliai apskaičiuoti patologijos vaizduose, kartu su netiesioginiais dirbtinio intelekto technologijų pagalba išgaunamais požymiais, galima sukurti geriausią metodų rinkinį, padėsiantį priimti klinikinius sprendimus tiksliojoje medicinoje.
Podoktorantūros stažuotė finansuojama Lietuvos mokslo tarybos (LMTLT; sutarties Nr. S-PD-22-86).