מערכת בינה מלאכותית העשויה לסייע באבחנת סוגי NSCLC (Non-Small Cell Lung Cancer) מדגימות היסטופתולוגיות בדיוק של 97% ויכולה לנבא את מצב המוטאציות בשישה אונקוגנים בתוך שניות עשויה להביא לקביעת אבחנה אוטומטית של סוגים נפוצים של סרטן ריאות ולהגדיל את השימוש בטיפול ייעודי, כך טוענים חוקרים במאמר שפורסם בכתב העת Nature Medicine. הם מוספים וכותבים כי הגישה שלהם עשויה להיות תקפה לממאירויות מכל סוג.
המודל פותח ע”י Google ויכול להשלים משימות ויזואליות מורכבות באמצעות יחידות מיקרו-ארכיטקטוריאליות המעבדות נתונים ברזולוציות רבות. למחקר שהתמקד בסרטן ריאות, החוקרים אימנו את המערכת להבחין בין גידול ובין רקמת ריאה תקינה. לאחר מכן, הם פיתחו מודלים לסיווג 1,634 תמונות של דגימות מאטלס TCGA (Cancer Genome Atlas) כאדנוקרצינומה, קרצינומה של תאי קשקש, או רקמת ריאה תקינה.
לאחר אישור תוקף התוצאות במדגמים בלתי-תלויים, החוקרים בחנו את העוצמה האבחנתית של המודלים אל מול השילוב של שני פתולוגים מומחים לחזה ופתולוג אנטומי אחד. כל השלושה התבקשו לסווג באופן עצמאי את תמונות הדגימות על-בסיס בדיקה ויזואלית בלבד.
הדיוק של המודל היה דומה לזה של הפתולוגים, כאשר המודל הבחין בין רקמה תקינה ובין רקמת גידול עם שטח ממוצע מתחת לעקומה של 0.99~, רגישות וסגוליות של 0.97. מדובר בשיפור משמעותי בהשוואה לדיוק האבחנתי של מודלים קודמים של למידה-עמוקה (דיווחים קודמים תיעדו שטח מתחת לעקומה של 0.75 ו-0.83 לסיווג דגימות גידול).
באופן מפתיע, מערכת הבינה המלאכותית הצליחה לזהות חלק מהמוטאציות המתאימות לטיפול ייעודי. כאשר החוקרים הכשירו את המערכת להתבסס על הדמיות פתולוגיות של דגימה מלאה לניבוי עשר המוטאציות הנפוצות ביותר באדנוקרצינומה, היא הצליחה לנבא במדויק שש מוטאציות: STK11, EGFR, FAT1, SETBP1, KRAS ו-TP53.
מוטאציות EGFR זוהו ב-20% מהחולים עם אדנוקרצינומה, בעוד ש-ALK Rearrangements (Anaplastic Lymphoma Receptor Tyrosine Kinase) זוהו בפחות מ-5%. למרות שמוטאציות בגן KRAS זוהו ב-25% מגידולי אדנוקרצינומה ומוטאציות TP53 זוהו בכ-50%, שתיהן מהוות יעד מאתגר לטיפול.
מעניין לציין כי כמחצית מהדגימות שלא סווגו נכונה ע”י המודל, לא סווגו נכונה גם ע”י לפחות אחת הפתולוגים. עם זאת, 83% מהדגימות שסווגו בצורה לא-נכונה ע”י לפחות אחד הפתולוגים (45 מבין 54 דגימות) סווגו נכונה ע”י המודל.
לאחר שהחוקרים בחנו את ההסכמה בין סיווג TCGA, מודל למידה-עמוקה והפתולוגים, הן בנפרד והן לחוד, הם מצאו כי האלגוריתם תאם ל-TCGA בשכיחות גבוהה יותר מאשר הפתולוגים. ממצאים אלו לא היו מובהקים סטטיסטית.
בנוסף, האלגוריתם היה מהיר יותר מהפתולוגים. והצליח לעבד דגימה בתוך חמש שניות בלבד, בעוד שהפתולוגים נדרשו לחמש דקות.
בסיכומו של דבר, ממצאי המחקר מעידים כי מודל בינה מלאכותית זה עשוי לסייע רבות לפתולוגים בסיווג דגימות רקמות ריאה. המידע עשוי להיו חשוב בקביעת הטיפול המתאים לחולים עם סרטן ריאות ולהגדיל את היקף גישות טיפול ברפואה ממוקדת.
Nat Med. Published online on September 17, 2018
e-Med Tools
קצר קולע וממוקד
e-Med סמינרים
אי-מד תחקירים
Medscape Tools
Journal Club
מרכזי מידע ושירות
Facebook
מידע למפרסם
מאגר תרופות
מאגר אנשי המקצוע
אינדקס שימושי
חדשות משה"ב
eMed HealthClub
מחקרים קליניים
השאירו תגובה
רוצה להצטרף לדיון?תרגישו חופשי לתרום!