Przejdź do głównej treści

Widok zawartości stron Widok zawartości stron

Centrum SOLARIS

Widok zawartości stron Widok zawartości stron

Lista publikacji naukowych

Widok zawartości stron Widok zawartości stron

Detekcja zmian nowotworowych trzustki przy użyciu podczerwieni i uczenia maszynowego

Detekcja zmian nowotworowych trzustki przy użyciu podczerwieni i uczenia maszynowego

Grupa badaczy z linii badawczej CIRI w swojej najnowszej publikacji pt. Pancreatic intraepithelial neoplasia detection and duct pathology grading using FT-IR imaging and machine learning opublikowanej w Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy przedstawiła wyniki opracowanej przez siebie metody klasyfikacji PanIN, która daje możliwości wczesnego rozpoznawania zmian w komórkach wyścielających przewody trzustkowe przy użyciu podczerwieni i uczenia maszynowego.

Nabłonkowa neoplazja trzustkowa tzw. PanIN (z ang. Pancreatic intraepithelial neoplasia) objawia się zmianami w komórkach wyścielających przewody trzustkowe. Jest ona wczesną zmianą przednowotworową, która dzielona jest na PanIN stopnia niskiego oraz wysokiego. Szczególnie PanIN stopnia wysokiego jest zmianą często prowadzącą do gruczolakoraka przewodowego (PDAC z ang. Pancreatic ductal adenocarcinoma) trzustki. W przypadku nowotworów trzustki ze względu na brak charakterystycznych objawów choroby we wczesnym jej stadium, odznacza się ona niskim stopniem przeżywalności pacjentów. Podstawowym badaniem przeprowadzanym w celu zdiagnozowania choroby jest pobranie biopsji cienkoigłowej od pacjenta. Najczęstszym sposobem leczenia jest usunięcie części tkanki zajętej przez nowotwór, co zwiększa szanse przeżycia pacjenta, szczególnie jeśli jest to wykonane we wczesnym stadium rozwoju choroby. Dlatego też, tak ważnym aspektem jest zrozumienie biochemii zmian takich jak PanIN oraz ich progresji do nowotworu. W ostatnich latach ze względu na trudności związane z histopatologicznym rozróżnieniem PanIN na stopnie I, II oraz III ich klasyfikacja została zmieniona na PanIN stopnia niskiego oraz wysokiego. Pokazuje to jak trudne jest rozróżnienie tych zmian na podstawie obrazu tkanki wybarwionej przy pomocy barwień histopatologicznych. Naukowcy z linii badawczej CIRI przeprowadzili badania podczas których, zmierzyli przy użyciu obrazowania w podczerwieni (IR) 48 tkanek trzustki (z biopsji cienkoigłowych) a następnie zastosowali metody uczenia maszynowego w celu detekcji PanIN oraz ich stopniowania. W analizowanych tkankach wykryli neoplazję nabłonkową a także udało im się ocenić charakter przewodów trzustkowych umieszczając je na skali od przewodów zdrowych do nowotworu, bez żadnych barwień. Tkanki w obrębie których znajdowały się przewody objęte neoplazją nabłonkową plasowały się pośrodku między tkankami zawierającymi przewody zmienione nowotworowo oraz przewody zdrowe pod kątem składu biochemicznego. Co więcej ponieważ  obrazowanie IR pozwala na uzyskiwanie nie tylko informacji biochemicznej w postaci widm, ale także obrazów tkanek, dzięki  zastosowanej  metodzie otrzymali zaklasyfikowane obrazy tkanek, pozwalające na ocenę zmiany na obrazie, podobnie jak ma to miejsce w przypadku barwień histopatologicznych. W swojej publikacji jako pierwsi zastosowali takie podejście do klasyfikacji PanIN, a modele przez nich dostarczone mogą być rozwijane przez innych badawczy w celu  dalszej eksploracji neoplazji nabłonkowej. 

Rys. 1. Schemat pobrania próbki (rysunek górna część), oraz wyniki przetwarzania danych zobrazowanych przy pomocy podczerwieni na przykładowej biopsji cienkoigłowej: Random Forest classification (rysunek środkowa część), PLS Regression (rysunek dolna część).

 

Rys. 1. Schemat pobrania próbki (rysunek górna część), oraz wyniki przetwarzania danych zobrazowanych przy pomocy podczerwieni na przykładowej biopsji cienkoigłowej: Random Forest classification (rysunek środkowa część), PLS Regression (rysunek dolna część).


Autor: Danuta Liberda-Matyja


Link do publikacji: D. Liberda-Matyja, P. Kozioł, T. Wrobel, Pancreatic intraepithelial neoplasia detection and duct pathology grading using FT-IR imaging and machine learning, Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 309, 123756(2023), doi: 10.1016/j.saa.2023.123756

Polecamy również
Hercynit (FeAl<sub>2</sub>2O<sub>4</sub>) - tajemniczy spinel ogniotrwały poznany !

Hercynit (FeAl22O4) - tajemniczy spinel ogniotrwały poznany !

Nowa metoda poprawy jakości danych przez usuwanie szumu

Nowa metoda poprawy jakości danych przez usuwanie szumu

Bezpośrednia obserwacja tekstury spinowej i efektu Rashby w ferroelektrycznym półprzewodniku

Bezpośrednia obserwacja tekstury spinowej i efektu Rashby w ferroelektrycznym półprzewodniku

Warstwa boru 2D jako nanoskopowa siatka dyfrakcyjna

Warstwa boru 2D jako nanoskopowa siatka dyfrakcyjna