A pajzsmirigyrák új megvilágításban – dinamikus optikai kontrasztos képalkotással
A pajzsmirigyrák a leggyakoribb endokrin rák, amely évről évre egyre több embert érint, mivel a felismerési arány folyamatosan emelkedik. A tumor operációja során a sebészek gyakran nehezen tudják meghatározni, hogy pontosan mennyi szövetet kell eltávolítani, mivel a rákos és az egészséges szövetek valós idejű megkülönböztetése nehéz, a környező struktúrák pedig rendkívül kényesek.
Ma a diagnózis és az értékelés a finom tűs aspiráción (Fine Needle Aspiration, FNA) és a hagyományos patológián alapul. Ezek a módszerek ugyan pontosak, de lassúak, néha nem egyértelműek, és nem nyújtanak valós idejű útmutatást a műtőben. Ennek eredményeként a betegek felesleges műtéten eshetnek át jóindulatú csomók miatt, vagy ellenkezőleg, további beavatkozásokra lehet szükség, mert a rákos szövetet nem veszik észre.
A dinamikus optikai kontrasztos képalkotás (Dynamic Optical Contrast Imaging, DOCI) alapvetően más módszert kínál a szövetek vizsgálatára. A DOCI festékek vagy kontrasztanyagok helyett megvilágítja a szövetet, és megméri annak természetes autofluoreszcenciáját, azaz a sejtekben már jelen lévő molekulák által kibocsátott halvány fényt. Az egészséges és a rákos szövetek eltérő módon világítanak, így optikai jeleket hoznak létre, amelyeket rögzíteni és elemezni lehet. Minden DOCI-vizsgálat 23 különböző optikai csatornáról gyűjt információkat egy széles látómezőben, így részletes spektrális ujjlenyomatot készít a frissen kivett minták szövetbiológiájáról.
A Biophotonics Discovery folyóiratban megjelent, több intézmény részvételével készült tanulmányban a kutatók a DOCI-t gépi tanulással kombinálták, hogy ezeket a komplex optikai jeleket klinikailag értelmezhető információkká alakítsák. A Duke Egyetemen Tyler Vasse, Tuan Vo-Dinh laboratóriumában dolgozva, kétlépcsős AI-elemzési keretrendszert fejlesztett ki. A DOCI-technológia klinikai bevezetését és alkalmazását Yazeed Alhiyari és Maie St. John csapattagjai végezték a Kaliforniai Egyetemen, Los Angelesben.
Az első szakaszban a kutatók egy egyszerű, értelmezhető gépi tanulási modellt alkalmaztak, hogy minden mintát három kategória egyikébe soroljanak: egészséges pajzsmirigyszövet, follikuláris pajzsmirigyrák vagy papilláris pajzsmirigyrák, az utóbbi kettő a leggyakoribb differenciált rosszindulatú pajzsmirigy-daganat.
A 23 DOCI optikai csatornát egy kulcsfontosságú jellemzőkből álló kis halmazra redukálva a rendszer pontosan osztályozta a mintákat ezekben a kategóriákban, és tökéletes pontosságot ért el egy független tesztkészleten. Különösen figyelemre méltó, hogy a modell a rendkívül agresszív anaplasztikus altípus mintáit is helyesen azonosította rákosnak, ami széles körű érzékenységet mutat a rosszindulatú szövetek iránt.
A második szakasz egy kritikus sebészeti kérdéssel foglalkozott: hol található pontosan a tumor? A válasz megadásához a csapat mélytanulási modelleket alkalmazott, amelyek egy U-Net architektúrán alapulnak, amelyet orvosi képeken belül meghatározott régiók azonosítására és feltérképezésére terveztek. Ezzel a megközelítéssel a modellek tumor valószínűségi térképeket generáltak, amelyek pontosan kiemelték a rákos régiókat, különösen jó teljesítményt nyújtva a papilláris pajzsmirigyrák esetében, és nagyon alacsony hamis pozitív arányt mutatva a rákmentes szövetekben.
Bár a kutatás során a szövetet közvetlenül eltávolítása után elemezték, az eredmények egy olyan jövőre utalnak, amelyben a sebészek gyors, egyszerű útmutatást kaphatnak a műtétekhez. Az optikai képalkotás sebességének és az AI erejének ötvözésével a DOCI képes csökkenteni a műtőben tapasztalható bizonytalanságot, megelőzni a felesleges műtéteket, megkímélni az egészséges szöveteket és javítani a pajzsmirigyrákos betegek eredményeit, lehetővé téve a sebészek számára, hogy – szó szerint – új fényben lássák a rákot.