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

Model obrazowania IR oparty na uczeniu maszynowym do klasyfikacji tkanek trzustki.

Model obrazowania IR oparty na uczeniu maszynowym do klasyfikacji tkanek trzustki.

Naukowcy z linii badawczej CIRI stworzyli pierwszy, oparty na podczerwieni, model uczenia maszynowego do kompleksowej histopatologii trzustki. Model został stworzony przy wykorzystaniu ponad 600 biopsji igłowych pochodzących od 250 pacjentów. Całkowita liczba widm zebranych za pomocą obrazowania FT-IR wyniosła 672 407 632, co pozwoliło uzyskać jeden z największych zbiorów danych w klasyfikacji tkanek zebrany do tej pory.

Obrazowanie w podczerwieni (IR) w połączeniu z uczeniem maszynowym jest doskonałym narzędziem do klasyfikacji różnych nowotworów. Jednak nigdy metoda ta nie została użyta do rozpoznawania raka trzustki. Rozpoznanie raka trzustki – ze względu na brak charakterystycznych objawów chorobowych – we wczesnym stadium choroby jest trudne. Złotym standardem w diagnostyce jest analiza histopatologiczna pobranego wycinka tkanki, która niestety bywa czasochłonna i subiektywna. Dlatego badacze z linii CIRI opracowali metodę, łączącą obrazowanie w podczerwieni z uczeniem maszynowym, w celu kompleksowego rozpoznania histopatologicznego tkanek trzustki i klasyfikacji pacjentów. Stworzony model pozwolił na bardzo dużą dokładność klasyfikacji pacjenta jako nowotworowego bądź zdrowego (naukowcy uzyskali wartości tzw. AUC powyżej 0,95 – gdzie AUC równe 1 oznacza idealny klasyfikator). Co więcej, byli w stanie rozpoznać sześć klas tkanek, nawet w biopsji śródoperacyjnej pochodzącej ze szpitala. Porównali również wpływ rozdzielczości przestrzennych (standardowej lub wysokiej rozdzielczości) na wyniki klasyfikacji. Głównym celem tych badań było opracowanie modelu bazowego do przyszłych zastosowań klinicznych i zostało ono sfinansowane z grantu Homing Fundacji na rzecz Nauki Polskiej.

Schemat rozpoznania patologii u pacjenta: A) Przygotowanie mikromacierzy tkankowej, B) Zaznaczenia histopatologiczne na obrazie tkanki wybarwionej H&E, C) Obraz tkanki z podczerwieni oraz struktura otrzymanych danych, D) Tworzenie modelu oraz rozpoznanie patologii u pacjenta.

Rysunek 1. Schemat rozpoznania patologii u pacjenta: A) Przygotowanie mikromacierzy tkankowej, B) Zaznaczenia histopatologiczne na obrazie tkanki wybarwionej H&E, C) Obraz tkanki z podczerwieni oraz struktura otrzymanych danych, D) Tworzenie modelu oraz rozpoznanie patologii u pacjenta.

Autor: Danuta Liberda-Matyja

Link do publikacji:

D. Liberda, P. Koziol, T. Wrobel, Comprehensive Histopathology Imaging in Pancreatic Biopsies: High Definition Infrared Imaging with Machine Learning Approach, International Jurnal of Biological Sciences, 2023, 19(10):3200-3208 doi:10.7150/ijbs.83068

Polecamy również
Elektroniczny Cud Cyny

Elektroniczny Cud Cyny

Efektywne i bezpieczne usuwanie farmaceutyków z wody w świetle widzialnym

Efektywne i bezpieczne usuwanie farmaceutyków z wody w świetle widzialnym

Nietypowy mechanizm przełączania memrystorów opartych o związki kompleksowe niklu

Nietypowy mechanizm przełączania memrystorów opartych o związki kompleksowe niklu

Kalkulacja orientacji makromolekuł  w przestrzeni trójwymiarowej

Kalkulacja orientacji makromolekuł w przestrzeni trójwymiarowej