Исследователи из Университета Кюсю разработали и проверили модель машинного обучения, которая может точно оценить плотность выживших опухолевых клеток после лечения на патологических изображениях остеосаркомы — наиболее распространенной злокачественной опухоли кости. Модель может оценить, как отдельные опухолевые клетки реагируют на лечение, и предсказать общий прогноз пациента более надежно, чем традиционные методы.

Хирургическое вмешательство и химиотерапия значительно улучшили результаты лечения пациентов с локализованной остеосаркомой. Однако пациенты с поздними метастатическими поражениями (стадия, когда раковые клетки распространились на отдаленные ткани) имеют низкую выживаемость. После стандартного хирургического лечения и химиотерапии оценка прогноза пациентов имеет важное значение для определения их последующих индивидуальных планов лечения. Однако прогнозирование результатов лечения пациентов сопряжено с множеством проблем.

В настоящее время прогноз основан на оценке скорости некроза, при которой патологоанатомы оценивают долю мертвых тканей в опухоли. К сожалению, эти методы ограничены различиями в оценках патологоанатомов и не могут точно предсказать ответ на лечение.

Признавая необходимость более быстрых и точных прогнозов, соавторы доктор Кенго Кавагути и доктор Кадзуки Мияма из отделения ортопедической хирургии Высшей школы медицинских наук Университета Кюсю, Япония, и доктор Макото Эндо, преподаватель Доктор ортопедической хирургии Университетской больницы Кюсю вместе с коллегами обратился к искусственному интеллекту (ИИ) для более детальной оценки. В состав междисциплинарной группы, возглавляемой доктором Эндо, входили профессор Университета Кюсю Рёма Бисе, профессор Ёсинао Ода и профессор Ясухару Накашима.

Объясняя обоснование своего исследования, которое было опубликовано в журнале npj Precision Oncology , доктор Эндо говорит: «В традиционном методе частота некроза рассчитывается как площадь некроза, а не подсчет отдельных клеток, что недостаточно воспроизводимо между экспертами и не дает результатов. не отражают адекватно эффекты противораковых препаратов. Поэтому мы рассмотрели возможность использования ИИ для улучшения оценки».

На первом этапе исследования команда обучила тип ИИ, называемый моделью глубокого обучения, для обнаружения выживших опухолевых клеток и проверила эффективность его обнаружения, используя данные пациентов. Модель искусственного интеллекта продемонстрировала способность обнаруживать жизнеспособные опухолевые клетки на патологических изображениях, что соответствует возможностям экспертов-патологов.

На втором этапе исследователи проанализировали два ключевых показателя: выживаемость при конкретном заболевании, которая отслеживает продолжительность после постановки диагноза или лечения без смерти, непосредственно вызванной болезнью, и выживаемость без метастазов, которая отслеживает время после лечения без распространения раковых клеток на отдаленные части тела. Они также исследовали корреляцию между плотностью жизнеспособных опухолевых клеток, оцененной ИИ, и прогнозом. Примечательно, что модель искусственного интеллекта продемонстрировала производительность и точность обнаружения, сравнимую с моделью патологоанатома, с хорошей воспроизводимостью.

Затем исследователи разделили пациентов на группы в зависимости от того, была ли плотность жизнеспособных опухолевых клеток выше или ниже 400/мм 2 . Анализ выживаемости показал, что группа с высокой плотностью населения показала худший прогноз, тогда как группа с низкой плотностью населения показала лучший прогноз в отношении выживаемости, специфичной для конкретного заболевания, и выживаемости без метастазов.

С другой стороны, частота некрозов не была связана с выживаемостью, специфичной для конкретного заболевания, или выживаемостью без метастазов. Более того, анализ отдельных случаев показал, что плотность жизнеспособных опухолевых клеток, оцененная AI, была более надежным предиктором прогноза, чем скорость некроза.

В целом, эти результаты позволяют предположить, что измерение жизнеспособных опухолевых клеток на основе искусственного интеллекта отражает присущую им злокачественность (способность рака распространяться) и индивидуальную реакцию опухолевых клеток остеосаркомы. Включение искусственного интеллекта в анализ патологических изображений повышает точность обнаружения, снижает вариабельность между экспертами и обеспечивает своевременную оценку.

Более того, оценка жизнеспособных опухолевых клеток, которая отражает их способность продолжать размножаться после химиотерапии, является более надежным предиктором ответа на лечение, чем гибель клеток. Масштабная проверка модели ИИ, разработанной в этом исследовании, может способствовать ее более широкому применению в реальных клинических условиях.

«Этот новый подход потенциально может повысить точность прогнозов для пациентов с остеосаркомой, получающих химиотерапию. В будущем мы намерены активно применять ИИ для лечения редких заболеваний, таких как остеосаркома, эпидемиология, патогенез и этиология которых имеют ограниченные успехи.

«Несмотря на то, что прошли десятилетия, особенно в стратегиях лечения, существенный прогресс по-прежнему недостижим. Если использовать ИИ для решения этой проблемы, ситуация может наконец измениться», — заключает доктор Эндо.