Oamenii de ştiinţă au pus la punct un model de învăţare profundă care poate îmbunătăţi calitatea imaginii probelor de ţesut congelat pentru a creşte acurateţea diagnosticării anatomopatologice în timp real.
Când un pacient este supus unei operaţii chirurgicale pentru eliminarea unei tumori sau tratarea unei boli, pentru a decide cât de mult ţesut trebuie îndepărtat, chirurgii trebuie să cunoască mai multe despre afecţiunea pe care o tratează, inclusiv marginile unei tumori, stadiul acesteia şi dacă o leziune este malignă sau benignă - determinări care depind adesea de colectarea, analizarea şi diagnosticarea bolii în timp ce pacientul se află pe masa de operaţie.
Când chirurgii trimit mostre de ţesut la patolog pentru examinare, atât viteza de analiză, cât şi precizia sunt esenţiale. În prezent, standardul de aur folosit pentru examinarea ţesuturilor durează adesea prea mult şi o abordare mai rapidă, care implică îngheţarea ţesuturilor, poate introduce elemente care pot complica diagnosticul.
Într-un nou studiu, cercetători de la spitalul universităţii Harvard (Brigham and Women), şi colaboratori de la universitatea Boğaziçi, din Turcia, au dezvoltat o metoda care foloseşte inteligenţa artificială (IA) la examinarea probelor de ţesut îngheţate şi abordarea standard, pentru a îmbunătăţi calitatea imaginilor şi acurateţea diagnosticării rapide, ceea ce reprezintă un pas important în îngrijirea pacienţilor în timpul unei intervenţii chirurgicale.
Studiul a fost publicat vineri, în Nature Biomedical Engineering.
Pentru punerea diagnosticului final, patologii folosesc mostre de ţesut fixate în formol şi încorporate în parafină (FFPE). Această metodă păstrează ţesutul într-un mod care produce imagini de înaltă calitate, dar procesul este laborios şi durează de obicei 12 până la 48 de ore.
Pentru un diagnostic rapid, patologii folosesc o abordare cunoscută sub numele de criosecţionare care implică congelarea rapidă a ţesutului, tăierea secţiunilor şi observarea acestor felii subţiri la microscop.
Criosecţionarea este un proces care necesită minute, nu ore, dar poate distorsiona detaliile celulare şi poate compromite sau rupe ţesutul delicat.
Autorii recentului studiu au dezvoltat un model de învăţare profundă care poate fi folosit pentru a analiza secţiunile îngheţate şi ţesutul FFPE frecvent utilizat. Echipa a demonstrat că metoda ar putea fi utilizată pentru a clasifica subtipurile diferitelor tipuri de cancer, inclusiv gliom şi cancer pulmonar fără celule mici.
Cercetătorii şi-au validat constatările cerându-le patologilor să pună un diagnostic pe baza imaginilor create de IA şi cele tradiţionale şi de criosecţionare. Ei au demonstrat că, metoda pe bază de IA a îmbunătăţit calitatea imaginii şi acurateţea diagnosticului. Algoritmul a fost testat şi pe date colectate independent din Turcia.
„Studiul nostru arată că IA are potenţialul de a uşura munca patologilor pentru a pune un diagnostic critic şi sensibil, mult mai rapid”, spun autorii.
Metoda ar putea fi aplicată oricărui tip de intervenţie chirurgicală împotriva cancerului ceea ce deschide noi posibilităţi pentru îmbunătăţirea diagnosticului şi îngrijirea pacienţilor.
