[ad_1]
Ung thư biểu mô ống dẫn tại chỗ (DCIS) là một loại khối u tiền xâm lấn đôi khi tiến triển thành dạng ung thư vú cực kỳ nguy hiểm. Loại này chiếm khoảng 25 phần trăm trong tất cả các chẩn đoán ung thư vú.
Vì các bác sĩ lâm sàng khó xác định loại và giai đoạn của DCIS, nên bệnh nhân mắc DCIS thường được điều trị quá mức. Để giải quyết vấn đề này, một nhóm nghiên cứu liên ngành từ MIT và ETH Zurich đã phát triển một mô hình AI có thể xác định các giai đoạn khác nhau của DCIS từ hình ảnh mô vú giá rẻ và dễ lấy. Mô hình của họ cho thấy cả trạng thái và sự sắp xếp của các tế bào trong mẫu mô đều quan trọng để xác định giai đoạn của DCIS.
Vì những hình ảnh mô như vậy rất dễ có được, các nhà nghiên cứu đã có thể xây dựng một trong những tập dữ liệu lớn nhất cùng loại, mà họ sử dụng để đào tạo và thử nghiệm mô hình của mình. Khi họ so sánh các dự đoán của nó với kết luận của một nhà nghiên cứu bệnh học, họ thấy có sự đồng thuận rõ ràng trong nhiều trường hợp.
Trong tương lai, mô hình này có thể được sử dụng như một công cụ giúp các bác sĩ lâm sàng đơn giản hóa việc chẩn đoán các trường hợp đơn giản hơn mà không cần các xét nghiệm tốn nhiều công sức, giúp họ có thêm thời gian để đánh giá các trường hợp chưa rõ liệu DCIS có trở nên xâm lấn hay không.
Caroline Uhler, giáo sư Khoa Kỹ thuật Điện và Khoa học Máy tính (EECS) và Viện Dữ liệu, Hệ thống và Xã hội (IDSS), đồng thời là giám đốc Trung tâm Eric và Wendy Schmidt tại Viện Broad của MIT và Harvard, đồng thời là nhà nghiên cứu tại Phòng thí nghiệm Hệ thống Thông tin và Quyết định (LIDS) của MIT, cho biết: “Chúng tôi đã thực hiện bước đầu tiên trong việc hiểu rằng chúng tôi nên xem xét tổ chức không gian của các tế bào khi chẩn đoán DCIS, và hiện chúng tôi đã phát triển một kỹ thuật có thể mở rộng quy mô. Từ đây, chúng tôi thực sự cần một nghiên cứu triển vọng. Làm việc với bệnh viện và đưa nghiên cứu này đến tận phòng khám sẽ là một bước tiến quan trọng”.
Uhler, đồng tác giả liên lạc của một bài báo về nghiên cứu này, tham gia cùng tác giả chính Xinyi Zhang, một sinh viên sau đại học tại EECS và Trung tâm Eric và Wendy Schmidt; đồng tác giả liên lạc GV Shivashankar, giáo sư về mechogenomics tại ETH Zurich cùng với Viện Paul Scherrer; và những người khác tại MIT, ETH Zurich và Đại học Palermo ở Ý. Nghiên cứu truy cập mở là xuất bản ngày 20 tháng 7 trong Truyền thông thiên nhiên.
Kết hợp hình ảnh với AI
Từ 30 đến 50 phần trăm bệnh nhân mắc DCIS phát triển thành ung thư giai đoạn xâm lấn cao, nhưng các nhà nghiên cứu không biết các dấu hiệu sinh học nào có thể cho bác sĩ lâm sàng biết khối u nào sẽ tiến triển.
Các nhà nghiên cứu có thể sử dụng các kỹ thuật như nhuộm đa hợp hoặc giải trình tự RNA tế bào đơn để xác định giai đoạn của DCIS trong các mẫu mô. Tuy nhiên, các xét nghiệm này quá tốn kém để thực hiện rộng rãi, Shivashankar giải thích.
Trong nghiên cứu trước đây, các nhà nghiên cứu này đã chỉ ra rằng một kỹ thuật hình ảnh rẻ tiền được gọi là nhuộm chromatin có thể mang lại nhiều thông tin như phương pháp giải trình tự RNA tế bào đơn đắt tiền hơn nhiều.
Trong nghiên cứu này, họ đưa ra giả thuyết rằng việc kết hợp phương pháp nhuộm đơn này với mô hình máy học được thiết kế cẩn thận có thể cung cấp thông tin tương tự về giai đoạn ung thư như các kỹ thuật tốn kém hơn.
Đầu tiên, họ tạo ra một tập dữ liệu chứa 560 hình ảnh mẫu mô từ 122 bệnh nhân ở ba giai đoạn khác nhau của bệnh. Họ sử dụng tập dữ liệu này để đào tạo một mô hình AI học cách biểu diễn trạng thái của từng tế bào trong hình ảnh mẫu mô, mà nó sử dụng để suy ra giai đoạn ung thư của bệnh nhân.
Tuy nhiên, không phải mọi tế bào đều biểu hiện bệnh ung thư, do đó các nhà nghiên cứu phải tổng hợp chúng theo một cách có ý nghĩa.
Họ thiết kế mô hình để tạo ra các cụm tế bào ở trạng thái tương tự, xác định tám trạng thái là dấu hiệu quan trọng của DCIS. Một số trạng thái tế bào chỉ ra ung thư xâm lấn nhiều hơn những trạng thái khác. Mô hình xác định tỷ lệ tế bào ở mỗi trạng thái trong một mẫu mô.
Vấn đề tổ chức
“Nhưng trong ung thư, tổ chức của các tế bào cũng thay đổi. Chúng tôi thấy rằng chỉ có tỷ lệ tế bào ở mọi trạng thái là không đủ. Bạn cũng cần hiểu cách các tế bào được tổ chức”, Shivashankar nói.
Với hiểu biết này, họ đã thiết kế mô hình để xem xét tỷ lệ và sự sắp xếp của các trạng thái tế bào, giúp tăng đáng kể độ chính xác của mô hình.
“Điều thú vị đối với chúng tôi là thấy được mức độ quan trọng của tổ chức không gian. Các nghiên cứu trước đây đã chỉ ra rằng các tế bào gần ống dẫn sữa là quan trọng. Nhưng cũng quan trọng không kém là phải xem xét các tế bào nào gần với các tế bào khác”, Zhang nói.
Khi họ so sánh kết quả của mô hình với các mẫu được đánh giá bởi một nhà nghiên cứu bệnh học, có sự đồng thuận rõ ràng trong nhiều trường hợp. Trong những trường hợp không rõ ràng, mô hình có thể cung cấp thông tin về các đặc điểm trong mẫu mô, như tổ chức tế bào, mà nhà nghiên cứu bệnh học có thể sử dụng để ra quyết định.
Mô hình đa năng này cũng có thể được điều chỉnh để sử dụng cho các loại ung thư khác, hoặc thậm chí là các tình trạng thoái hóa thần kinh, đây cũng là một lĩnh vực mà các nhà nghiên cứu hiện đang khám phá.
“Chúng tôi đã chứng minh rằng, với các kỹ thuật AI phù hợp, vết bẩn đơn giản này có thể rất mạnh mẽ. Vẫn còn nhiều nghiên cứu nữa phải thực hiện, nhưng chúng tôi cần tính đến tổ chức của các tế bào trong nhiều nghiên cứu hơn nữa của mình”, Uhler nói.
Nghiên cứu này được tài trợ một phần bởi Trung tâm Eric và Wendy Schmidt tại Viện Broad, ETH Zurich, Viện Paul Scherrer, Quỹ Khoa học Quốc gia Thụy Sĩ, Viện Y tế Quốc gia Hoa Kỳ, Văn phòng Nghiên cứu Hải quân Hoa Kỳ, Phòng khám Jameel về Máy học và Sức khỏe của MIT, Phòng thí nghiệm AI Watson của MIT-IBM và Giải thưởng Simons Investigator.
[ad_2]
Source link