เปิดกล่อง AI: Deep Learning สามารถทำนายการกลับเป็นซ้ำของมะเร็งได้หรือไม่?

เปิดกล่อง AI: Deep Learning สามารถทำนายการกลับเป็นซ้ำของมะเร็งได้หรือไม่?

นักวิจัยจากศูนย์ RIKEN สำหรับโครงการข่าวกรองขั้นสูง ( AIP ) ในญี่ปุ่นได้แสดงให้เห็นว่าอัลกอริธึมการเรียนรู้เชิงลึกสามารถใช้เพื่อแยกคุณลักษณะที่ตีความได้จากภาพจุลพยาธิวิทยาที่ไม่มีคำอธิบายประกอบจากผู้ป่วยมะเร็งต่อมลูกหมาก กรอบงานของพวกเขามีประสิทธิภาพดีกว่าการทำนายการเกิดซ้ำทางชีวเคมีโดยใช้วิธีการแบบ Gleason Score แบบเดิม

มะเร็งต่อมลูกหมากเป็นมะเร็งที่พบมาก

เป็นอันดับสองในผู้ชายทั่วโลก โดยมีอัตราอุบัติการณ์อยู่ที่ 13.5% ตามข้อมูลขององค์การอนามัยโลก นักพยาธิวิทยาผู้เชี่ยวชาญวินิจฉัยมะเร็งชนิดนี้ผ่านการตรวจชิ้นเนื้อทางทวารหนัก ตามผลการทดสอบต่อมลูกหมากจำเพาะแอนติเจน (PSA) ตัวอย่างเนื้อเยื่อที่สกัดออกมาจะตรวจดูด้วยกล้องจุลทรรศน์ และหากพบเซลล์มะเร็ง ให้แบ่งออกเป็นกลุ่มเสี่ยงที่กำหนดผ่านคะแนน Gleason ระบบการให้เกรดนี้ถือเป็นมาตรฐานทองคำในยารักษาโรคมะเร็ง เนื่องจากเป็นตัวกำหนดความก้าวร้าวของมะเร็งต่อมลูกหมาก และช่วยให้แพทย์กำหนดแนวทางการรักษาที่ถูกต้อง

อย่างไรก็ตาม การวินิจฉัยทางพยาธิวิทยาประเภทนี้ต้องใช้ความรู้จากผู้เชี่ยวชาญ ใช้เวลานาน และอาจได้รับผลกระทบจากความแปรปรวนของผู้สังเกตการณ์ระหว่างกัน แม้ว่าจะมีเครื่องมือแมชชีนเลิร์นนิงอัตโนมัติที่สามารถจำแนกภาพจุลพยาธิวิทยาได้อย่างแม่นยำ แต่วิธีการเหล่านี้ยังไม่ได้รับการอนุมัติทางคลินิก สาเหตุหลักมาจากอัลกอริธึมการเรียนรู้เชิงลึกประสบปัญหาขาดความสามารถในการตีความ ทำให้การตัดสินใจยากต่อการมองเห็นหรืออธิบายได้

ฟีเจอร์ที่สร้างโดย AI ให้ความแม่นยำสูงเพื่อปูทางไปสู่การวิเคราะห์ทางคลินิกที่ตีความได้ กลุ่มวิจัยได้พัฒนากรอบงานปัญญาประดิษฐ์ (AI) ที่สามารถรับคุณลักษณะที่ตีความได้จากภาพจุลพยาธิวิทยาที่ไม่มีคำอธิบายประกอบ เพื่อให้บรรลุสิ่งนี้ นักวิจัยได้ใช้ภาพทางพยาธิวิทยาทั้งภูเขาที่ได้รับจากศูนย์ต่างๆ สามแห่ง ซึ่งรวมถึงรูปภาพจากผู้ป่วย 842 รายที่โรงพยาบาล Nippon Medical School (NMSH) รวมทั้งผู้ป่วย 95 รายจากโรงพยาบาล St. Marianna University (SMH) และ Aichi Medical University Hospital (AMH)

ทีมใช้รูปภาพจากผู้ป่วย 100 รายที่ NMSH 

เพื่อดึงข้อมูลคุณลักษณะ ในขณะที่ชุดข้อมูล NMSH ที่เหลือถูกใช้เพื่อตรวจสอบวิธีการของพวกเขา หัวหน้านักวิจัยYoichiro Yamamotoและทีมของเขาได้ฝึกฝน Deep Neural Network สองเครือข่ายที่ไม่มีใครดูแล หรือที่รู้จักในชื่อDeep autoencodersเพื่อลดข้อมูลขนาด 1 หมื่นล้านพิกเซลเป็น 100 คุณสมบัติ พวกเขาประสบความสำเร็จโดยใช้แผ่นแปะภาพทางจุลพยาธิวิทยาทั้งความละเอียดต่ำและความละเอียดสูง ซึ่งได้รับแรงบันดาลใจจากกระบวนการวินิจฉัยของนักพยาธิวิทยา การคำนวณดำเนินการบนซูเปอร์คอมพิวเตอร์ RAIDEN ของ AIP

เพื่อตรวจสอบงานของพวกเขา นักวิจัยได้ใช้คุณลักษณะที่สร้างขึ้น 100 รายการเพื่อคาดการณ์การกลับเป็นซ้ำของมะเร็งในชุดข้อมูล NMSH ที่เหลือ ในเวลาเดียวกัน พวกเขาใช้เกณฑ์มะเร็งที่มนุษย์สร้างขึ้น ซึ่งก็คือคะแนน Gleason ในการทำนายแบบเดียวกัน ผลลัพธ์ของพวกเขาแสดงให้เห็นว่าการทำนายการเกิดซ้ำทางชีวเคมีนั้นแม่นยำกว่าด้วยคุณสมบัติที่สร้างโดย AI มากกว่าเมื่อใช้วิธีทั่วไป

นอกจากนี้ เมื่อรวมคะแนน Gleason กับคุณสมบัติที่สร้างโดยเครื่องจักร ความแม่นยำก็เพิ่มขึ้นอีก นอกจากนี้ เฟรมเวิร์กนี้ยังให้ความแม่นยำที่คล้ายกันเมื่อใช้กับชุดข้อมูล SMH และ AMH ซึ่งเผยให้เห็นถึงศักยภาพในการใช้งานในวงกว้าง

ในที่สุด นักวิจัยได้ประเมินคุณลักษณะที่สร้างโดย AI พวกเขาดึงภาพที่เป็นตัวแทนมากที่สุดสำหรับแต่ละคุณสมบัติและขอให้นักพยาธิวิทยาผู้เชี่ยวชาญตรวจสอบ “โดยสรุป” พวกเขากล่าว “นักพยาธิวิทยาพบว่าโครงข่ายประสาทเทียมระดับลึกดูเหมือนจะเข้าใจแนวคิดพื้นฐานของคะแนน Gleason โดยอัตโนมัติอย่างสมบูรณ์ ทำให้เกิดคุณลักษณะสำคัญที่อธิบายได้ซึ่งนักพยาธิวิทยาสามารถเข้าใจได้”

นักวิจัยชี้ให้เห็นว่าโครงข่ายประสาทเทียม

ลึกระบุคุณสมบัติของสโตรมาในพื้นที่ที่ไม่เป็นมะเร็งว่าเป็นปัจจัยในการพยากรณ์โรค และลักษณะดังกล่าวมักไม่ได้รับการประเมินในภาพทางจุลพยาธิวิทยาต่อมลูกหมาก นี่เป็นผลลัพธ์ที่สำคัญเนื่องจากเพิ่มความเป็นไปได้ของเครื่องมือที่สามารถค้นพบลักษณะโรคใหม่และที่ไม่คุ้นเคย สำหรับการทำงานในอนาคต ทีมงานวางแผนที่จะตรวจสอบความถูกต้องของกรอบการทำงานเพิ่มเติมโดยทำการทดลองทางคลินิกและนำไปใช้กับโรคอื่น ๆ รวมถึงมะเร็งที่หายาก

“ในฐานะศัลยแพทย์ เราถูกจำกัดให้ทำในสิ่งที่เราเห็น เทคโนโลยีนี้ช่วยให้เรามองเห็นสิ่งที่มองไม่เห็น เพื่อปรับปรุงความเร็วและความแม่นยำในห้องผ่าตัด และลดความเสี่ยงของการวินิจฉัยผิดพลาด” ออร์ริงเกอร์กล่าว “ด้วยเทคโนโลยีการถ่ายภาพนี้ การผ่าตัดมะเร็งจะปลอดภัยและมีประสิทธิภาพมากกว่าที่เคยเป็นมา”

Matija Snuderlนักประสาทวิทยาจาก NYU Langone ผู้ซึ่งมีส่วนร่วมในการศึกษากล่าวว่า “จุลวิทยารามันที่กระตุ้นจะปฏิวัติสาขาพยาธิวิทยาทางระบบประสาทโดยการปรับปรุงการตัดสินใจในระหว่างการผ่าตัดและให้การประเมินระดับผู้เชี่ยวชาญในโรงพยาบาลที่ไม่มีนักประสาทวิทยาที่ผ่านการฝึกอบรมมา”

ผลกระทบของการหมุนอย่างรวดเร็วต่อการหมุนควอนตัมครั้งเดียวในเพชรชิ้นหนึ่งได้รับการวัดเป็นครั้งแรก Alexander Woodจากมหาวิทยาลัยเมลเบิร์นและเพื่อนร่วมงานหมุนเพชรที่ 200,000 รอบต่อนาที และใช้แสงเลเซอร์และไมโครเวฟเพื่อวัดผลกระทบต่อการหมุน นักวิจัยกล่าวว่าเทคนิคนี้สามารถพัฒนาต่อไปเพื่อวัดการหมุนบนระดับนาโน

เพชรมีสิ่งเจือปนที่เรียกว่าศูนย์ไนโตรเจนว่าง (NV) ซึ่งประกอบด้วยสปินเหมือนอิเล็กตรอนเดี่ยวที่แยกออกจากสภาพแวดล้อมโดยรอบได้เป็นอย่างดี การหมุนสามารถวัดและจัดการได้โดยใช้แสงและไมโครเวฟ ด้วยเหตุนี้ ศูนย์ NV ได้พิสูจน์แล้วว่ามีประโยชน์มากในการใช้งานที่หลากหลายตั้งแต่เซ็นเซอร์ควอนตัมไปจนถึงการจัดเก็บข้อมูลควอนตัม

สปินก้องการหมุนเป็นการวัดโมเมนตัมเชิงมุมที่แท้จริงในเชิงปริมาณ และนี่หมายความว่าการหมุนของ NV ควรได้รับผลกระทบหากเพชรถูกหมุน ในการศึกษาผลกระทบนี้ Wood และเพื่อนร่วมงานได้ใช้เทคนิคที่เรียกว่าการสั่นพ้องด้วยคลื่นแม่เหล็กไฟฟ้าที่ตรวจจับได้ด้วยแสง ซึ่งเป็นเทคนิคที่พัฒนาขึ้นเพื่อตรวจจับและแสดงภาพอิเล็กตรอนหรือสปินนิวเคลียร์จำนวนเล็กน้อยในตัวอย่าง

เพชรที่ลอยได้สามารถปรับปรุงเซ็นเซอร์ตรวจจับความเคลื่อนไหวได้ในการทดลอง เพชรชิ้นหนึ่งถูกติดตั้งบนกระบอกหมุนและใช้สนามแม่เหล็กตามแกนของการหมุนของสปิน เทคนิคการวัดนี้เกี่ยวข้องกับการทำให้การหมุน NV อยู่ในสถานะพลังงานต่ำก่อนโดยการยิงเลเซอร์พัลส์ที่เพชร จากนั้นเพชรจะอยู่ภายใต้คลื่นไมโครเวฟหลายชุด ซึ่งจะหมุนไปในทิศทางของการหมุน NV สุดท้าย สถานะพลังงานของการหมุน NV จะถูกอ่านออกโดยสังเกตจากแสงฟลูออเรสเซนต์ที่ปล่อยออกมา

Credit : cateringiperque.com cdmasternow.com cheaplinksoflondonshop.com conviviosfraternos.com cookwatchus.net craniopharyngiomas.net cubmasterchris.info digitalbitterness.com dward3.com edmontonwarhammerleague.com