IRB ističe kako je tim pod vodstvom Ivice Koprive iz Laboratorija za strojno učenje i reprezentacije znanja IRB-a, u suradnji sa tvrtkom Photon etc iz Kanade, patologinjama iz Kliničke bolince Dubrava i Kliničkog bolničkog centra Zagreb, te suradnicima iz Zavoda za molekularnu medicinu IRB-a i Tehničkog Sveučilišta u Muenchenu razvio je metodu računalne analize hiperspektralne slike histopatoloških preparata.


Ova metoda, navodi IRB, omogućuje precizno određivanje granica tumorskog tkiva raka debelog crijeva metastaziranog u jetru.




Dodaje kako sustav s više od 96 posto preciznosti razlikuje tumorske od zdravih stanica na razini piksela. Za razliku od uobičajenih metoda umjetne inteligencije, ovaj algoritam treba tek oko 1 posto ručno označenih podataka patologa, napominje IRB.


Voditelj tima Ivica Kopriva ističe kako za razliku od uobičajenih metoda strojnog i dubokog učenja, razvijeni algoritam segmentacije temeljen na Grassmannovim mnogostrukostima radi u polundaziranom modu i zahtjeva samo 1 posto označenih podataka od strane patologa.


IRB podsjeća kako se detaljno snimanje uzoraka tkiva za bržu i točniju analizu metode računalne patologije tradicionalno oslanjaju na RGB (kolor) slike histopatoloških preparata, što znači da koriste samo informacije vidljive ljudskom oku.


Time se, napominje, gubi veliki dio podataka koji se nalaze izvan vidljivog spektra. Zato se sve češće primjenjuje hiperspektralno snimanje, tehnologija koja otkriva puno širi raspon informacija i otvara nove mogućnosti u medicini, dodaje IRB.


Tim je razvio novu metodu umjetne inteligencije koja može učiti iz vrlo malog broja označenih primjera, navodi IRB i dodaje kako metoda koristi i boje (spektar) i oblike u tkivu te tako precizno razlikuje tumorske od zdravih stanica već na razini pojedine slike.


Naglašava kako je za treniranje dovoljno da patolozi označe samo oko 1 posto piksela, a algoritam potom samostalno klasificira preostale, precizno razlikujući tumorske od zdravih regija.


Time se, ističe, znatno pojednostavljuje proces učenja i smanjuje potreba za opsežnim ručnim označavanjem, što je jedna od glavnih prepreka u primjeni dubokog učenja.


Ocjenjuje kako je ova metoda jednostavnija za treniranje, postiže usporedivu učinkovitost s naprednim dubokim mrežama te omogućuje primjenu već na razini pojedinačne slike. To otvara put za bržu i praktičniju integraciju u kliničko okruženje, naglašava IRB.


Novo istraživanje važan je korak prema razvoju asistivnih tehnologija koje onkološkim kirurzima mogu pružiti dodatnu sigurnost pri donošenju odluka. Za pacijente, to može značiti bolji ishod liječenja.


Istraživanje je trajalo osma godina, a uspješnost metode su pokazali na primjeru metastaza raka debelog crijeva u jetri.