Протоковая карцинома in situ (DCIS) — это тип преинвазивной опухоли, которая иногда прогрессирует до крайне опасной формы рака молочной железы. На ее долю приходится около 25% всех диагностированных случаев рака молочной железы.

Поскольку врачам сложно определить тип и стадию DCIS, пациенты с DCIS часто подвергаются избыточному лечению. Чтобы решить эту проблему, междисциплинарная группа исследователей из MIT и ETH Zurich разработала модель ИИ, которая может определять различные стадии DCIS по дешевому и легкодоступному изображению ткани молочной железы. Их модель показывает, что как состояние, так и расположение клеток в образце ткани важны для определения стадии DCIS.

Поскольку такие изображения тканей так легко получить, исследователи смогли построить один из крупнейших наборов данных такого рода, который они использовали для обучения и тестирования своей модели. Когда они сравнили ее прогнозы с выводами патолога, они обнаружили четкое согласие во многих случаях.

В будущем модель может быть использована в качестве инструмента, который поможет врачам оптимизировать диагностику более простых случаев без необходимости проведения трудоемких тестов, что даст им больше времени для оценки случаев, в которых менее ясно, станет ли DCIS инвазивным.

«Мы сделали первый шаг к пониманию того, что при диагностике DCIS следует обращать внимание на пространственную организацию клеток, и теперь мы разработали масштабируемую методику. С этого момента нам действительно необходимо перспективное исследование. Сотрудничество с больницей и перенос этого всего на уровень клиники станет важным шагом вперед», — говорит Кэролайн Улер, профессор кафедры электротехники и компьютерных наук (EECS) и Института данных, систем и общества (IDSS).

К Улеру, соавтору-корреспонденту статьи по этому исследованию, присоединились ведущий автор Синьи Чжан, аспирант EECS и Центра Эрика и Венди Шмидт; соавтор-корреспондент Г. В. Шивашанкар, профессор мехогеномики в ETH Zurich совместно с Институтом Пола Шеррера; и другие в MIT, ETH Zurich и Университете Палермо в Италии. Исследование с открытым доступом было опубликовано 20 июля в Nature Communications .

Объединение визуализации с ИИ
У 30–50 % пациентов с DCIS развивается высокоинвазивная стадия рака, но исследователи не знают биомаркеров, которые могли бы подсказать врачу, какие опухоли будут прогрессировать.

Исследователи могут использовать такие методы, как мультиплексное окрашивание или секвенирование РНК отдельных клеток, чтобы определить стадию DCIS в образцах тканей. Однако эти тесты слишком дороги, чтобы их можно было проводить широко, объясняет Шивашанкар.

В предыдущей работе эти исследователи показали, что дешевый метод визуализации, известный как окрашивание хроматина, может быть столь же информативным, как и гораздо более дорогостоящее секвенирование РНК отдельных клеток.

В рамках данного исследования они выдвинули гипотезу, что сочетание этого единственного пятна с тщательно разработанной моделью машинного обучения может предоставить ту же информацию о стадии рака, что и более дорогостоящие методы.

Сначала они создали набор данных, содержащий 560 изображений образцов тканей от 122 пациентов на трех разных стадиях заболевания. Они использовали этот набор данных для обучения модели ИИ, которая изучает представление состояния каждой клетки на изображении образца ткани, которое она использует для определения стадии рака у пациента.

Однако не каждая клетка указывает на рак, поэтому исследователям пришлось объединить их осмысленным образом.

Они разработали модель для создания кластеров клеток в схожих состояниях, определив восемь состояний, которые являются важными маркерами DCIS. Некоторые состояния клеток более показательны для инвазивного рака, чем другие. Модель определяет долю клеток в каждом состоянии в образце ткани.

Организация имеет значение
«Но при раке организация клеток также меняется. Мы обнаружили, что просто знать пропорции клеток в каждом состоянии недостаточно. Вам также необходимо понимать, как организованы клетки», — говорит Шивашанкар.

Используя это понимание, они разработали модель, учитывающую пропорции и расположение состояний клеток, что значительно повысило ее точность.

«Для нас было интересно увидеть, насколько важна пространственная организация. Предыдущие исследования показали, что важны клетки, расположенные близко к грудному протоку. Но также важно учитывать, какие клетки расположены близко к каким другим клеткам», — говорит Чжан.

Когда они сравнили результаты своей модели с образцами, оцененными патологом, во многих случаях они достигли четкого согласия. В случаях, которые не были столь однозначны, модель могла предоставить информацию о характеристиках образца ткани , например, об организации клеток, которую патолог мог использовать при принятии решений.

Эту универсальную модель можно также адаптировать для использования при других типах рака или даже нейродегенеративных заболеваниях, что является одной из областей, которые в настоящее время изучают исследователи.

«Мы показали, что при использовании правильных методов ИИ это простое окрашивание может быть очень эффективным. Предстоит провести еще много исследований, но нам нужно учитывать организацию клеток в большем количестве наших исследований», — говорит Улер.