Перед исследователями Дартмутского центра стояла задача классифицировать опухолевые паттерны и подтипы аденокарциномы легкого — самой распространенной формы рака легкого и основной причины смертности от рака во всем мире.
В настоящее время аденокарцинома легкого требует визуального осмотра слайдов лобэктомии со стороны патолога для определения характера и подтипа опухоли. Эта классификация играет важную роль в прогнозировании и определении лечения рака легких, однако является сложной и субъективной задачей. Используя последние достижения в области машинного обучения, команда, возглавляемая доктором наук Саидом Хассанпуром, разработала глубокую нейронную сеть для классификации различных типов аденокарциномы легкого на слайдах по гистопатологии и обнаружила, что модель работает с той же точностью, что и врач-патолог — результаты нейросети сравнили с результатами работы трех практикующих патологов.
«Наше исследование демонстрирует, что машинное обучение может достичь высокой производительности в сложной задаче классификации изображений и потенциально может быть полезным для лечения рака легких, — утверждает Хассанпур. — Клиническое внедрение нашей системы поможет патологам в точной классификации подтипов рака легких, что имеет решающее значение для прогноза и лечения».
С учетом того, что этот подход потенциально применим к другим задачам анализа гистопатологических изображений, команда Хассанпура сделала их код общедоступным для продвижения новых исследований и сотрудничества в этой области.
Команда исследователей также планирует применить этот метод для решения других сложных задач анализа гистопатологических изображений при раке молочной железы, пищевода и колоректального рака. «Если это будет подтверждено клиническими испытаниями, наша модель нейронной сети потенциально может быть внедрена в клиническую практику для оказания помощи патологам, — говорит Хассанпур. — Наш метод машинного обучения быстр и может обрабатывать слайды менее чем за одну минуту, поэтому он может помочь сортировать пациентов перед обследованием у врачей и потенциально значительно помочь патологам в визуальном осмотре слайдов».