Η τεχνητή νοημοσύνη αποκωδικοποιεί καρκινικά παθολογοανατομικά πλακάκια

Γιατί Τεχνητή Νοημοσύνη;

Εδώ και 150 χρόνια οι παθολογοανατόμοι εξετάζουν μέσα από μικροσκόπια, δείγματα ιστών τοποθετημένα πάνω σε αντικειμενοφόρες πλάκες (πλακάκια) για τη διάγνωση του καρκίνου. Κάθε αξιολόγηση είναι βαρυσήμαντη: Έχει καρκίνο αυτός ο ασθενής ή όχι;

Η δουλειά του παθολογοανατόμου είναι εξοντωτική. Ένα μόνο πλακάκι μπορεί να περιέχει εκατοντάδες χιλιάδες κύτταρα. Μόνο ένας μικρός αριθμός από αυτά μπορεί να είναι καρκινικά. Επίσης ένα μικρό ποσοστό διαγνώσεων χαρακτηρίζεται ως μη ακριβές .

Εδώ είναι που κάνει την εμφάνισή της η τεχνητή νοημοσύνη (Artificial Intelligence AI), ένα επιπλέον ζευγάρι αμερόληπτων, ακούραστων τεχνητών ματιών που θα μπορούσε να βοηθήσει στον εντοπισμό λαθών. Πολλοί ερευνητές στρέφονται σε αυτή τη δυνατότητα, αλλά οι παθολογοανατόμοι της Novartis πιστεύουν ότι η τεχνητή νοημοσύνη πρόκειται να παίξει έναν επιπρόσθετο ρόλο. Κάνουν την υπόθεση ότι τα παθολογοανατομικά πλακάκια μπορεί να περιέχουν πληροφορίες που θα βοηθήσουν να εξηγήσουμε γιατί μερικοί ασθενείς ανταποκρίνονται στη θεραπεία ενώ άλλοι ασθενείς που φαινομενικά είναι παρόμοιοι δεν ανταποκρίνονται.

Για να διερευνήσουν αυτή την ιδέα οι παθολογοανατόμοι και οι επιστήμονες της Novartis, που ασχολούνται με τα δεδομένα, έχουν ενώσει τις δυνάμεις τους με την τεχνολογική επιχείρηση PathAI. Εκπαιδεύουν ένα σύστημα τεχνητής νοημοσύνης που αναπτύχθηκε από την PathAI ώστε να μάθει να βλέπει τα ίδια πρότυπα που βλέπουν οι παθολογοανατόμοι και έπειτα θα βασιστούν σε αυτό για να καθορίσουν αν το σύστημα μπορεί να εντοπίσει κρυμμένα πρότυπα που περιέχουν όμως πληροφορίες που είναι υπερβολικά ανεπαίσθητες ή σύνθετες με αποτέλεσμα οι παθολογοανατόμοι να μην μπορούν να τις διακρίνουν. Αυτή η προσπάθεια αποτελεί μέρος μιας ευρύτερης προσπάθειας της Novartis να αξιοποιήσει τα δεδομένα και τις ψηφιακές τεχνολογίες με τρόπους που θα μπορούσαν να βοηθήσουν τους φορείς που αναπτύσσουν φάρμακα να παρέχουν τα σωστά φάρμακα στους σωστούς ασθενείς ταχύτερα.

Το σύστημα PathAI έμαθε να αναγνωρίζει τον καρκίνο

Μικροσκόπιο: Ένας παθολογοανατόμος βλέπει ένα σύνολο κυττάρων πάνω σε ενα πλακάκι και βασίζεται στα χρόνια εκπαίδευσής του για να εντοπίσει τα κύτταρα που μπορεί να είναι καρκινικά.

Εικόνα Τεχνητής Νοημοσύνης: Το σύστημα PathAI εντοπίζει επίσης σημεία καρκίνου και παρουσιάζει την εκτίμησή του πάνω στο παθολογοανατομικό πλακάκι , επισημαίνοντας τα καρκινικά κύτταρα (κόκκινο), τα περιβάλλοντα κύτταρα (πράσινο) και τα νεκρά κύτταρα (μαύρο).

Σε μια πρώτη δοκιμαστική φάση, η συνεργατική ομάδα εκπαίδευσε το σύστημα PathAI ώστε να βλέπει τα παθολογοανατομικά πλακάκια ασθενών που δεν έχουν λάβει θεραπεία και να διακρίνει τον όγκο από το φυσιολογικό ιστό. Το σύστημα μπορεί, επίσης, να αναγνωρίσει με αξιοπιστία διαφορετικούς τύπους κυττάρων σε ένα πλακάκι. Για έναν παθολογοανατόμο, αυτά τα χαρακτηριστικά αντιστοιχούν με την εύρεση βελόνας στα άχυρα και με την τοποθέτηση ετικέτας σε κάθε άχυρο στη συνέχεια.

Η ικανότητα επισήμανσης κάθε κυττάρου γίνεται αυξανόμενα σημαντική καθώς οι αντικαρκινικές θεραπείες εξελίσσονται και περιλαμβάνουν φάρμακα που στοχεύουν όχι μόνο τα καρκινικά κύτταρα αλλά και τα κύτταρα του ανοσολογικού συστήματος. Αν οι ηλεκτρονικοί υπολογιστές μπορούν να αναλύσουν ένα ολόκληρο παθολογοανατομικό πλακάκι κατευθείαν και να κάνουν ποσοτική καταμέτρηση των κυτταρικών τύπων και θέσεων, θα μπορούσαν πιθανώς να αποκαλύψουν τα πρότυπα που προβλέπουν πόσο καλή μπορεί να είναι η πορεία ενός ασθενούς με μια δεδομένη θεραπεία.

Η Meg McLaughlin, παθολογοανατόμος και Διευθύντρια της ομάδας Ογκολογίας, Παθολογοανατομίας και Βιολογικών Δεικτών στην Ογκολογική Μεταφραστική Ερευνητική ομάδα στα Ινστιτούτα της Novartis για Βιοϊατρική Έρευνα (NIBR), δήλωσε: “Θέλουμε να δημιουργήσουμε μια πλατφόρμα που θα δώσει τη δυνατότητα στον τομέα της παθολογοανατομίας να υποστηρίξει τον επιταχυνόμενο ρυθμό της ανάπτυξης φαρμάκων.

Ελπίζουμε ότι θα μπορέσουμε να ανακαλύψουμε ποια χαρακτηριστικά συσχετίζονται με την επιβίωση ή την ανταπόκριση σε ένα φάρμακο ”.
Με την πρόσφατη έκρηξη στις υπό έρευνα επιλογές όσον αφορά την ανοσολογία-ογκολογία μαζί με θεραπείες που στοχεύουν τις μεταλλάξεις που ενισχύουν τον καρκίνο, μία από τις μεγαλύτερες προκλήσεις για τα άτομα που εργάζονται για την ανακάλυψη νέων θεραπειών είναι η αντιστοίχιση της πιο κατάλληλης θεραπείας με κάθε μεμονωμένο ασθενή. Ενώ οι γονιδιωματικές πληροφορίες συμβάλλουν στην προώθηση έξυπνων αποφάσεων, τα πολύτιμα στοιχεία από τα παθολογοανατομικά πλακάκια θα μπορούσαν να βοηθήσουν επίσης. Ο Andrew Beck, παθολογανατόμος, επιστήμονας στον τομέα της πληροφορικής και διευθύνων σύμβουλος της PathAI, με έδρα τη Βοστόνη στη Μασαχουσέτη των ΗΠΑ, δήλωσε: “Θέλουμε να δημιουργήσουμε μια πλατφόρμα που ενδυναμώνει τον τομέα της παθολογοανατομίας ώστε να υποστηρίξει τον επιταχυνόμενο ρυθμό της ανάπτυξης φαρμάκων ”.

Εκπαίδευση του Μοντέλου Τεχνητής Νοημοσύνης

Σε συνεργασία με το Ινστιτούτο Παθολογοανατομίας στο Πανεπιστημιακό Νοσοκομείο της Βασιλείας στην Ελβετία, η ομάδα της Novartis απέκτησε πρόσβαση σε 400 παθολογοανατομικές εικόνες από ιστούς με καρκίνο του μαστού και του πνεύμονα καθώς και σε ανώνυμες πληροφορίες ασθενών σχετικά με διαγνώσεις και χρόνους επιβίωσης. Ποια είναι η πρόκληση για την πλατφόρμα PathAI; Όταν δοθεί μια εικόνα, πρέπει να εντοπίσει τον καρκίνο, να ταυτοποιήσει τους κυτταρικούς τύπους και να προβλέψει την πιθανότητα του ασθενούς για επιβίωση πέντε ετών.

Ένας τρόπος προσέγγισης της πρόκλησης είναι να δοθεί σε ένα σύνολο μη εκπαιδευμένων αλγορίθμων τεχνητής νοημοσύνης ένα υποσύνολο δεδομένων και να δούμε τι θα μάθει. Σε αντίθεση με έναν εκπαιδευμένο παθολογοανατόμο το μηχάνημα προσεγγίζει το πρόβλημα χωρίς καμία γνώση σχετικά με τα κύτταρα ή τον καρκίνο.

Ο Holger Hoefling επιστημονικός υπεύθυνος για τα δεδομένα στα Ινστιτούτα της Novartis για Βιοϊατρική Έρευνα (NIBR), ο οποίος συνεργάζεται στο πρόγραμμα με την PathAI και με μία εσωτερική ομάδα των NIBR με στόχο τη χρήση της τεχνητής νοημοσύνης για την αξιολόγηση των προβληματισμών για την ασφάλεια στις παθολογοανατομικές εικόνες, δήλωσε: “Οι άνθρωποι έχουν ήδη πολλές γνώσεις. Σκεφτείτε τα αυτόνομα αυτοκίνητα. Αυτοκίνητα που εκπαιδεύονται ώστε να οδηγούν. Ο χρόνος και τα δεδομένα που απαιτούνται για την εκπαίδευση είναι τεράστια. Το αντίθετο ισχύει αν βάλουμε έναν άνθρωπο μπροστά στο τιμόνι για 20 ώρες και τον αφήσουμε να οδηγήσει.”

Η PathAI για να δώσει στους μη εκπαιδευμένους αλγόριθμους περισσότερες γνώσεις για τα εκπαιδευτικά δεδομένα, αποφάσισε να τους παρέχει ακόμα πιο πλούσια δεδομένα. Μια ομάδα παθολογοανατόμων συμβούλων σημειώνει τα παθολογοανατομικά πλακάκια, παρέχοντας στους αλγόριθμους περισσότερες πληροφορίες προς επεξεργασία. Μοιάζει κάπως με σημειώσεις πάνω σε ένα ογκώδες λογοτεχνικό έργο που υπογραμμίζουν και εξηγούν τα κρίσιμα αποσπάσματα.

Παραδείγματος χάρη, κατά την εκπαίδευση των αλγορίθμων ώστε να διακρίνουν τους κυτταρικούς τύπους, η PathAI χώρισε τα πλακάκια σε περίπου 10 000 μικρότερες εικόνες και ζήτησε από τους παθολογοανατόμους να βάλουν ετικέτες στους κυτταρικούς τύπους σε κάθε πλακάκι. Η McLaughlin δήλωσε: “Χρειάστηκε να σκεφτούμε πάρα πολύ σχετικά με το πώς θα βάζαμε σημειώσεις στις εικόνες. Αυτό το βήμα καθορίζει σε μεγάλο βαθμό το τελικό αποτέλεσμα του μοντέλου τεχνητής νοημοσύνης.”

Τι είναι το Μαύρο Κουτί;

Οι ειδικοί τεχνητής νοημοσύνης αναφέρονται στους εκπαιδευμένους αλγόριθμους με τον όρο “μαύρο κουτί” επειδή είναι δύσκολο να ξέρουν τι έχει μάθει το σύστημα από τα εκπαιδευτικά δεδομένα ή πώς παίρνει αποφάσεις.

Μέσα στο μαύρο κουτί υπάρχει ένα σύνολο αλγόριθμων για την εκμάθηση των μηχανημάτων. Αυτοί οι αλγόριθμοι είναι μια συνεχής ροή τύπων που αναγνωρίζουν χαρακτηριστικά, όπως η παρουσία συγκεκριμένου σχήματος και τα συσχετίζουν με δεδομένα από πραγματικές συνθήκες, όπως για πόσο χρονικό διάστημα επιβίωσε στην πραγματικότητα ο ασθενής.

“Οι ειδικοί τεχνητής νοημοσύνης αναφέρονται στους εκπαιδευμένους αλγόριθμους με τον όρο “μαύρο κουτί” επειδή είναι δύσκολο να ξέρουν τι έχει μάθει το σύστημα από τα εκπαιδευτικά δεδομένα ή πώς παίρνει αποφάσεις.”

Καθώς οι αλγόριθμοι βλέπουν όλο και περισσότερες εικόνες, προσαρμόζουν την κατανόησή τους σχετικά με τα πρότυπα που βλέπουν στα δεδομένα. Τελικά μαθαίνουν ότι ορισμένα σχήματα σε μια αντικειμενοφόρο πλάκα προβλέπουν πιθανές εκβάσεις υγείας, όπως οι καλές πιθανότητες επιβίωσης για ένα έτος ή οι κακές πιθανότητες επιβίωσης για έξι μήνες.

Η προσέγγιση του μαύρου κουτιού έχει το όφελος ότι αποτελεί μια νέα ματιά στα δεδομένα, άρα μπορεί να αποκαλύψει μη αναμενόμενα βιολογικά πρότυπα. Όμως, μπορεί να ανακαλύψει και πρότυπα που δεν έχουν καμία απολύτως βιολογική σημασία. Οι επιστήμονες που ασχολούνται με τα δεδομένα πρέπει να υποβάλλουν σε εξονυχιστικό έλεγχο τα αποτελέσματα του μοντέλου τεχνητής νοημοσύνης, να αναγνωρίζουν τα ανούσια συμπεράσματα και να προσαρμόζουν τα εκπαιδευτικά δεδομένα και τους αλγόριθμους ώστε να τα ξεχωρίζουν και να τα απομακρύνουν.

Βλέποντας μέσα από τα μάτια ενός μηχανήματος

Μετά την εκπαίδευση, η πλατφόρμα PathAI επιτρέπει στους χρήστες να δουν παθολογοανατομικές εικόνες μέσα από τα μάτια του μηχανήματος. Τα τμήματα από τα πλακάκια που ορίζονται ως καρκινικά φωσφορίζουν με έντονο κόκκινο χρώμα σε ένα πεδίο πράσινου περιβάλλοντος ιστού. Οι διαφορετικοί τύποι κυττάρων ξεχωρίζουν με ζωντανά χρώματα σαν καραμέλες πάνω σε πιάτο. Η υπάρχουσα πλατφόρμα προορίζεται μόνο για έρευνα, αλλά η PathAI σκοπεύει να δημιουργήσει εφαρμογές που θα μπορούσαν να χρησιμοποιούνται από ιατρούς στο μέλλον.

Η πλατφόρμα PathAI επιτρέπει στους χρήστες να βλέπουν παθολογοανατομικές εικόνες μέσα από τα μάτια του μηχανήματος

Μικροσκόπιο: Οι παθολογοανατόμοι χρησιμοποιούν οπτικά χαρακτηριστικά όπως το μέγεθος και το σχήμα των κυττάρων για τη διαφοροποίηση των κυτταρικών τύπων σε ένα παθολογοανατομικό πλακάκι.

Εικόνα Τεχνητής Νοημοσύνης: Το σύστημα PathAI έχει επίσης μάθει να αναγνωρίζει κυτταρικούς τύπους και παρουσιάζει το πλακάκι με ενδείξεις πέντε διαφορετικών ειδών: λεμφοκύτταρα (πράσινο), καρκινικά κύτταρα (κόκκινο), μακροφάγα (κίτρινο), κύτταρα πλάσματος (μαύρο) και ινοβλάστες (μωβ).

Τώρα που οι ερευνητές απέδειξαν ότι το σύστημα PathAI έχει τη δυνατότητα να δει αυτό που βλέπουν οι παθολογοανατόμοι, θέλουν να διαπιστώσουν αν υπάρχουν πληροφορίες σε αυτές τις εικόνες που δεν είναι εμφανείς στους παθολογοανατόμους.

Για παράδειγμα, αναρωτιούνται αν η κατανομή και η πληθώρα ορισμένων κυττάρων, όπως τα κύτταρα του ανοσολογικού συστήματος, θα μπορούσαν να κρύβουν στοιχεία σχετικά με την ανταπόκριση ενός ασθενούς στην ανοσοθεραπεία. Για να διαπιστωθεί με το ανθρώπινο μάτι χρειάζεται επίπονος ενδελεχής έλεγχος δεκάδων χιλιάδων κυττάρων ανά πλακάκι και αυτό είναι μια αμφίβολη διαδικασία. Η McLaughlin, δήλωσε: “Πιθανότατα θα μπορούσα να το κάνω. Αλλά θα έπαιρνε υπερβολικά πολύ χρόνο.”

Όμως, με την τεχνητή νοημοσύνη αυτή η διαδικασία γίνεται εφικτή. Η McLaughlin και η ομάδα της στη Novartis παρέχουν στην PathAI παθολογοανατομικές εικόνες και δεδομένα σχετικά με τους χρόνους επιβίωσης και την ανταπόκριση στη θεραπεία από πρόσφατη κλινική μελέτη της Novartis για τον καρκίνο. Η συγκέντρωση αυτών των δεδομένων και η κοινοποίησή τους στην PathAI δεν είναι κάτι το απλό. Εκτός από τον εντοπισμό των παθολογοανατομικών πλακιδίων και την επιβεβαίωση της συγκατάθεσης των ασθενών, η ομάδα πρέπει να παρουσιάσει τα δεδομένα από τις επισκέψεις σε ιατρούς με τάξη και συνέπεια και αυτό μπορεί να αποτελέσει πρόκληση όταν τα έχουν συλλέξει πολλοί διαφορετικοί ιατροί που εργάζονται σε πολλές κλινικές.

Ο Lee Cooper, επίκουρος καθηγητής βιοϊατρικής πληροφορικής και βιοϊατρικής μηχανικής στο Πανεπιστήμιο Emory των ΗΠΑ, ο οποίος ειδικεύεται στη χρήση της μάθησης μέσω μηχανημάτων για την κατανόηση των παθολογοανατομικών εικόνων και συνεργάζεται με ερευνητές των Ινστιτούτων NIBR, δήλωσε: “Η εποχή στην οποία οδεύουμε βασίζεται περισσότερο στα δεδομένα από ό,τι στους αλγόριθμους. Οι αλγόριθμοι θα συνεχίσουν να βελτιώνονται, αλλά στην πραγματικότητα η πρόκληση που αντιμετωπίζουμε είναι πώς να δημιουργήσουμε τα σύνολα δεδομένων που χρειαζόμαστε για να δημιουργήσουμε τους καλύτερους δυνατούς αλγόριθμους.”

Όταν τα δεδομένα γίνουν διαθέσιμα, η PathAI θα σημειώσει τις εικόνες. Στη συνέχεια, τα μηχανήματα θα έχουν τον πρώτο λόγο στην εύρεση των τυχόν κρυμμένων μηνυμάτων.

Ο Beck δήλωσε: “Αν μπορέσουμε να αποδείξουμε ότι αυτή η μέθοδος μπορεί να προσλάβει αυτά τα δεδομένα και να επισημάνει πληροφορίες που δεν έχουμε δει ποτέ από τους παθολογοανατόμους, θα έχουμε ανακαλύψει κάτι με δυνητική αξία”.