Cancerul pulmonar poate fi analizat și clasificat cu acuratețe cu ajutorul unui soft de recunoaștere a imaginilor construit pe modelul rețelelor neuronale biologice, aflăm dintr-un articol publicat zilele acestea în Nature Medicine. Softul, denumit „rețea neuronală convoluțională” (RNC), este creat astfel încât să recunoască imaginile pe baza procesului de învățare prin exemple, fără a fi anterior programat să analizeze diversele componente ale imaginii.
La fel de precis ca anatomopatologii
Cercetătorii au învățat softul RNC să recunoască și să clasifice imagini de adenocarcinom (LUAD) și carcinom scuamocelular pulmonar (LUSC) pe baza imaginilor de histopatologie din Atlasul genomului cancerului.
Programul poate deosebi, prin învățare, și un aspect sănătos față de o unul patologic al țesutului analizat. Acuratețea analizei prin această metodă este comparabilă cu cea realizată de anatomopatologi, cu o medie a ariei de sub curbă (ASC – parametru ce măsoară eficiența unui model) de 0,97.
Țesuturile analizate au fost obținute prin biopsii și au fost fixate în formaldehidă și incluse în parafină. Inovația constă mai ales în faptul că softul poate prezice șase mutații întâlnite în dezvoltarea adenocarcinomului pulmonar, doar pe baza imaginilor analizate.
Abordări terapeutice diferite
Conform celui mai recent raport al Organizației Mondiale a Sănătății (OMS) privind cazurile de neoplazii la nivel global, Globocan 2018, cancerul pulmonar se află pe primul loc în ceea ce privește incidența tipurilor de neoplazii (la egalitate cu cancerul mamar), dar și în privința mortalității. Adenocarcinomul și carcinomul scuamocelular sunt cele mai des întâlnite tipuri de cancer pulmonar fără celule mici. Diferențierea acestor două tipuri este dificilă chiar și la examenul histopatologic obișnuit, necesitând tehnici imunohistochimice pentru diagnosticare, mai ales în cazul existenței celulelor slab diferențiate.
Abordarea terapeutică și de urmărire pe termen lung diferă foarte mult în cazul LUAD și LUSC, de aceea diagnosticul corect histopatologic este foarte important în cancerul pulmonar. LUAD poate prezenta în unele cazuri mutații specifice care necesită administrarea altor terapii decât cele convenționale. De exemplu, mutația factorului de creștere epidermală (EGFR) este întâlnită în 20% din cazuri și tirozin-kinaza limfomului anaplastic (ALK) se găsește în aproximativ 5% din cazuri, situații în care există posibilitatea de a administra un tratament țintit. Și aici poate face diferența softul RNC în prognosticul pacienților cu neoplazii pulmonare fără celule mici, venind în ajutorul anatomopatologilor în interpretarea imaginilor obținute la biopsii.
RNC poate fi folosit și în clasificarea tumorilor maligne de sân, vezică urinară și a osteosarcoamelor, în analiza tumorilor de colon sau în localizarea glomerulilor renali și identificarea țesutului epitelial de la nivelul prostatei.
Incepții și învățare non-liniară
Ceea ce a făcut posibilă recunoașterea unor imagini atât de complexe a fost dezvoltarea tehnologiei de procesare grafică. În 2014, compania Google a dezvoltat o metodă care crește puterea translațională și a abilităților virtuale de învățare non-liniară folosind unități de microarhitectură numite „incepții”. Fiecare unitate de incepție include mai multe module non-liniare convoluționale (de corelații asociative), la diferite rezoluții.
În studiul publicat în Nature Medicine, Nicolas Coudray et al. au folosit 1.634 de imagini din baza de date genetică umană (Genomic Data Commons database), dintre care 1.176 cu țesuturi tumorale și 459 cu țesuturi normale. Pe baza acestora, au dezvoltat modele care au clasificat imaginile în normale, LUAD, LUSC, cu o acuratețe exprimată printr-o ASC de 0,97, comparabilă cu cea obținută de analiza anatomopatologilor (fig. 1).
Imaginile analizate au fost obținute prin biopsii de țesut și secțiuni de țesut congelate sau fixate în formaldehidă și incluse în parafină.
Greșeli mai puține
Aceleași modele computaționale au fost folosite pentru a prezice statusul mutațional al celulelor doar pe baza imaginii analizate. Inițial, softul RNC a fost învățat să deosebească țesutul sănătos de cel de patologic, apoi să deosebească celulele de adenocarcinom de cele de carcinom scuamocelular. Imaginile au fost analizate la o amplificare de 20 de ori a imaginii, dar și la o amplificare mai mică, de cinci ori, pentru identificarea unor pattern-uri tumorale specifice, precum insulele celulare sau modelele circulare. Rezultatele au fost comparabile cu cele obținute în urma inspecției vizuale a țesuturilor fixate în colorație hematoxilin-eozină, realizată de anatomopatologi.
Jumătate din imaginile clasificate greșit de softul RNC au fost interpretate greșit și de anatomopatologi, ilustrând dificultatea deosebirii între cele două tipuri de cancer pulmonar fără celule mici – LUAD și LUSC. Cu toate acestea, 83% (45 din 54) din imaginile clasificate greșit de cel puțin un anatomopatolog au fost interpretate corect de soft, în ciuda artefactelor existente. Aici s-au încadrat mai ales imaginile cu celule slab diferențiate, care nu prezentau caracteristicile LUAD sau LUSC.
Autorii studiului menționează însă că imaginile folosite pentru a învăța softul să recunoască tipurile de cancer pulmonar nu reprezintă în totalitate diversitatea și eterogenitatea țesuturilor pe care le analizează anatomopatologii, care pot include zone de necroză, inflamație și vase de sânge.
Softul nu se substituie anatompatologului
Înainte de acest studiu, nu a fost clar dacă mutațiile genetice afectează pattern-ul tumoral într-o imagine. Softul RNC poate prezice șase mutații asociate cu celulele analizate: EGFR, STK11 (cu cea mai mare acuratețe), FAT1, SETBP1, KRAS și TP53 (fig. 2). Limitarea acestei abilități la doar șase mutații poate fi combătută prin dezvoltarea bazei de date a imaginilor folosite pentru învățarea softului, spun autorii. Dacă în această bază de date vor exista mai multe imagini cu celule tumorale asociate cu alte mutații decât cele enumerate mai sus, softul le va putea învăța. Capacitatea de a pune și diagnosticul molecular pe baza imaginii histopatologice va fi un real progres în adoptarea conduitei terapeutice corecte.
Studiul nu încearcă să arate că anatomopatologii pot fi înlocuiți, ci doar că ei ar putea beneficia de un real ajutor al inteligenței artificiale în clasificarea și analizarea țesuturilor tumorale. În plus, aplicația acestei tehnologii ar putea fi de o reală importanță în cazul examinării histopatologice extemporanee intraoperatorii.
Cercetarea își propune extinderea algoritmului și în scopul recunoașterii altor tipuri de cancer pulmonar (cu celule mari și cu celule mici), precum și la analiza altor tipuri de țesut pulmonar – din fibroza pulmonară, peritumoral, cu necroză.
