Исследователи из Johns Hopkins Medicine разработали модель машинного обучения для точного вычисления некроза остеосаркомы.

Ученые из Johns Hopkins Medicine создали модель машинного обучения для точного определения некроза остеосаркомы.

В сфере онкологии оценка эффективности химиотерапии у пациентов с раком костей является ключевым показателем прогноза. Недавно исследовательская группа в медицинском центре Джонса Хопкинса продемонстрировала прорывное достижение в этой области. Им удалось разработать и обучить модель машинного обучения для расчета процента некроза (PN) – ключевого показателя степени гибели опухоли у пациентов с остеосаркомой. Эта инновационная модель демонстрирует впечатляющую точность 85% по сравнению с результатами, полученными мускулоскелетным патологом. При исключении единственного выброса точность возрастает до впечатляющих 99%.

Традиционно процесс расчета PN был трудоемким и требовал обширных данных аннотации от мускулоскелетных патологов. Более того, он страдает от низкой объективной надежности, когда два патолога, анализирующих одни и те же разрезы костей (WSI), могут прийти к разным заключениям. Признавая эти проблемы, исследователи высветили необходимость альтернативного подхода.

Исследовательские работы привели к разработке слабо контролируемой модели машинного обучения, требующей минимального количества данных для обучения. Это инновационная методология означает, что мускулоскелетному патологу, использующему модель для расчета PN, потребуется предоставить частично аннотированные разрезы костей, что значительно сокращает рабочую нагрузку патолога.

Для создания этой модели команда создала комплексный набор данных, включающий разрезы костей из архивов патологии выдающегося американского онкологического центра Джонса Хопкинса. В этих данных были только случаи внутрикостной остеосаркомы, начинающейся внутри кости, у пациентов, которые принимали и химиотерапию, и проходили операцию в центре с 2011 по 2021 год.

Мускулоскелетный патолог тщательно аннотировал три различных типа ткани на каждом собранном разрезе: активная опухоль, некротическая опухоль и негигантская ткань. Кроме того, патолог оценивал PN для каждого пациента. Имея эту бесценную информацию, команда приступила к этапу обучения.

Исследователи объяснили процесс обучения. Они решили обучить модель распознавать образы на изображениях. Разрезы костей были разделены на тысячи маленьких фрагментов, а затем разделены на группы в зависимости от того, как их обозначил патолог. Наконец, эти группированные фрагменты были поданы на вход модели для обучения. Такой подход был выбран, чтобы предоставить модели более надежную точку отсчета, избегая потенциальных пропусков, которые могли возникнуть при подаче одного большого разреза кости.

После обучения модели и мускулоскелетного патолога представили шесть разрезов костей для оценки двух пациентов с остеосаркомой. Результаты были замечательными, с 85% позитивной корреляцией между расчетами PN модели и обозначением тканей по сравнению с результатами патолога. Единственное замечание возникло из-за временных трудностей в правильной идентификации хрящевой ткани, что привело к выбросу из-за избытка хряща на одном разрезе кости. После его удаления корреляция взлетела до впечатляющих 99%.

Впереди команда видит возможность включить хрящевую ткань в обучение модели и расширить диапазон разрезов костей, охватывающих различные типы остеосаркомы, кроме внутрикостной. Это исследование является значительным шагом вперед в революции оценки результатов лечения остеосаркомы.