Poinformowała o tym „Gazeta.Ru” w służbie prasowej uniwersytetu.
Rak jelita grubego pozostaje jedną z najczęstszych chorób onkologicznych. Obecność przerzutów w węzłach chłonnych określa stadium choroby, rokowanie i taktykę leczenia. Jednocześnie do postawienia prawidłowej diagnozy konieczne jest zbadanie co najmniej 12 węzłów chłonnych – są to dziesiątki preparatów histologicznych, w których ogniska nowotworowe mogą być niezwykle małe i trudne do rozróżnienia.
Opracowany system działa dwuetapowo.
Najpierw algorytm analizuje cały obraz cyfrowy i podkreśla podejrzane obszary. Następnie przeprowadzane jest bardziej szczegółowe badanie: oprogramowanie określa granice komórek nowotworowych i nakłada półprzezroczystą maskę na obraz, pomagając lekarzowi skupić się na potencjalnie niebezpiecznych obszarach.
Do szkolenia modelu wykorzystano oznaczone preparaty węzłów chłonnych przygotowane w Szpitalu Onkologicznym nr 62. Eksperci dodali adnotacje do 108 preparatów i wygenerowali próbkę 514 węzłów chłonnych do walidacji. Algorytm został przetestowany na danych z dwóch ośrodków medycznych.
Podczas testów system poprawnie zidentyfikował wszystkie przypadki z przerzutami i prawidłowo rozpoznał normalną tkankę w większości przypadków. Szczególną uwagę zwrócono na małe ogniska: AI wykrył przerzuty o wymiarach około 0,14 × 0,06 mm.
„Stopniowo przechodzimy od analizy poszczególnych cech morfologicznych do kompleksowego badania tkanek, w tym pracy z danymi multimodalnymi” – zauważył Alexey Faizullin, szef Laboratorium Cyfrowej Analizy Mikroskopowej na Uniwersytecie Sechenov.
Lekarze zaangażowani w projekt pilotażowy zauważyli, że system oszczędza czas i zmniejsza obciążenie pracą, pomagając szybciej znaleźć podejrzane obszary.
„Takie technologie mogą poprawić dokładność diagnostyczną i przynieść korzyści zarówno specjalistom, jak i pacjentom” – podkreślił dyrektor generalny Medical Neuronets Ruslan Parchiev.
Autorzy podkreślają, że system nie zastępuje lekarza, ale służy jako narzędzie wspomagające podejmowanie decyzji. W przyszłości takie rozwiązania mogą stać się częścią cyfrowych miejsc pracy patomorfologów i zmniejszyć ryzyko przeoczenia małych przerzutów.
