Site icon IoT Daily

Медицинские изображения и машинное обучение помогут найти скрытые опухоли

Доброкачественные новообразования могут повредить окружающие кровеносные сосуды и ткани. Злокачественные более агрессивны и наносят непоправимый вред здоровью. В последнем случае их раннее выявление является ключом к правильному лечению и стабильному выздоровлению. 

Например, некоторые опухоли возникают глубоко внутри органов и тканей, покрытые слоем слизистой оболочки, что затрудняет непосредственное наблюдение с помощью стандартных методов, таких как эндоскопия или биопсия. В частности, стромальные опухоли желудочно-кишечного тракта (GIST), обычно обнаруживаемые в желудке и тонком кишечнике, требуют сложных долговременных методов диагностики. 

Ученые из Восточного национального онкологического центра, Центра современной фотоники RIKEN и Токийского научного университета, чтобы улучшить диагностику GIST, разработали решение, которое комбинирует гиперспектральную визуализацию в ближнем инфракрасном диапазоне (NIR-HSI) с машинным обучением. 

Фото: pixabay.com

Ученые протестировали решение на 12 добровольцах с подтвержденными случаями ГИСО, у которых опухоли были удалены хирургическим путем. Исследователи визуализировали прооперированные ткани с помощью NIR-HSI, а затем попросили специалиста изучить изображения, чтобы определить границу между нормальными и пораженными образцами.

Полученные изображения использовались в качестве обучающих данных для алгоритма машинного обучения: система различала пиксели, отвечающие за здоровую ткань, и пиксели, специфичные для новообразования.

«Этот метод несколько похож на использование рентгена. Идея состоит в использовании электромагнитного излучения, которое может проходить через ткани тела для создания изображений внутренних структур. Но рентгеновские лучи имеют длину волны 0,01– 10 нм, а ближние инфракрасные — около 800-2500 нм. При таких значениях  ближнее инфракрасное излучение заставляет ткани казаться прозрачными на изображениях. И эти длины волн менее вредны для пациента, чем видимые лучи», — отмечается в исследовании.

10 из 12 обследуемых опухолей были полностью или частично покрыты слоем слизистой оболочки. Однако анализ машинного обучения оказался эффективным для определения GIST, правильно закодировав цветом пораженные и здоровые участки с точностью 86%. 

«Возможность точно, быстро и неинвазивно диагностировать различные типы подслизистых опухолей без биопсии намного комфортнее как для пациента, так и для врачей», — отмечается в исследовании.

Решение предстоит доработать: например, улучшить результативность за счет увеличения объема датасета, добавить информацию о глубине возникновения и и других типах опухолей. 

Материалы исследования опубликованы в журнале Nature’s Scientific Reports.

Exit mobile version