Un nou cadru AI îmbunătățește fiabilitatea diagnosticului patologic în cancer
Diagnosticele de cancer au un impact direct asupra deciziilor de tratament și a prognozei, având chiar consecințe care pot schimba viața.
Diagnosticarea tradițională în patologie se bazează în principal pe examenele efectuate de patologii care analizează preparatele de țesut la microscop, luând decizii în funcție de experiența lor profesională. În ultimii ani, aplicarea inteligenței artificiale (AI) în diagnosticul patologic a avansat rapid, îmbunătățind eficiența diagnosticării și sprijinind luarea deciziilor clinice. Totuși, multe dintre modelele AI existente nu dispun de un mecanism complet și verificabil pentru a asigura fiabilitatea rezultatelor diagnostice, limitând astfel aplicarea acestei tehnologii în medii clinice cu risc înalt.
Pentru a aborda această provocare, prof. Zhang Xiaoge și echipa sa de cercetare de la Departamentul de Inginerie Industrială și a Sistemelor de la Universitatea Politehnică din Hong Kong au dezvoltat un cadru integrat de AI numit TRUECAM (TRustworthiness-focused, Uncertainty-aware, End-to-end CAncer diagnosis with Model-agnostic capabilities). Aplicat analizei imaginilor de tip whole-slide pentru subtipizarea cancerului pulmonar non-mic celule, cadrul asigură atât fiabilitatea datelor, cât și a modelului, punând o bază importantă pentru aplicarea în siguranță a AI în diagnosticul patologic.
TRUECAM este conceput pentru a spori fiabilitatea diagnosticului asistat de AI în cancer. Acesta poate evalua nivelul de încredere al AI în rezultatele sale diagnostice și poate solicita proactiv patologilor să revizuiască cazurile atunci când incertitudinea este ridicată sau când datele de intrare depășesc domeniul de aplicare al modelului. În același timp, cadrul este model-agnostic, susținând întregul proces de analiză de la imaginile patologice până la rezultatele diagnostice, ajutând astfel profesioniștii din domeniul sănătății să aplice diagnosticele generate de AI mai fiabil.
Framework-ul este aplicat în imagistica whole-slide, un proces care scanează digital preparatele de țesut din sticlă în imagini digitale de înaltă rezoluție, oferind „microscopie virtuală”, permițând patologilor să revizuiască probele patologice pe un computer. Studiile arată că TRUECAM este aplicabil nu doar la subtipizarea cancerului pulmonar non-mic celule, ci poate fi extins și pentru subtipizarea cancerului de sân, cerebral și renal, precum și pentru o clasificare pan-cancer la nivel de slide de 46 de clase, demonstrând astfel potențialul său larg de aplicare și valoarea sa în traducerea clinică.
Fiind un cadru general, TRUECAM poate fi integrat în modelele de AI din patologie de diferite dimensiuni, arhitecturi, scopuri și complexități pentru a sprijini aplicațiile clinice responsabile. Cadrul are trei funcții principale: detectarea intrărilor în afara domeniului, eliminarea automată a regiunilor de imagine foarte ambigue și greu de judecat, și aplicarea predicției conformale pentru a menține ratele de eroare diagnostice într-un interval acceptabil.
Echipa de cercetare a efectuat o evaluare sistematică a cadrului pe multiple seturi de date despre cancer, utilizând două tipuri de modele AI: modele specializate concepute pentru sarcini specifice și modele fundamentale cu potențial de aplicare larg. Experimentele computaționale au indicat că modelele TRUECAM-wrapped au depășit constant omologii lor neacoperiți în ceea ce privește acuratețea clasificării, robustețea, interpretabilitatea, eficiența datelor și echitatea.
TRUECAM reușește să echilibreze eficient diagnosticarea cancerului asistată de AI și cea condusă exclusiv de patologii. Atunci când modelul are un grad înalt de încredere în rezultatele sale diagnostice, sistemul poate ajuta la gestionarea cazurilor clare, în timp ce cazurile incerte sunt semnalizate și transmise patologilor pentru o revizuire și un judecat clinic suplimentar. Această colaborare între AI și patolog contribuie la îmbunătățirea eficienței diagnostice, reducerea sarcinilor de lucru pentru patologii, creșterea fiabilității diagnosticului și extinderea capacității de diagnosticare.
Prof. Zhang a adăugat: „Deși studiul publicat se concentrează în principal pe imaginile whole-slide, explorăm în continuare modalități suplimentare, cum ar fi profilele moleculare, inclusiv secvențierea ARN și rapoartele de diagnostic, pentru a lărgi potențialul cadrului. TRUECAM oferă o soluție sistematică pentru construirea unei AI în patologie de încredere și întărește baza pentru implementarea acesteia în medii reale.”
