כלי חדש מונחה בינה מלאכותית ממיר תמונות היסטולוגיות נפוצות לסמני סרטן מפורטים, רב-שכבתיים, ומבטיח אבחון מהיר יותר ומדויק יותר ותוצאות משופרות של המטופל.
במחקר שפורסם לאחרונה ב Nature Machine Intelligenceחוקרים פיתחו את VirtualMultiplexer, כלי צביעה כמעט מרובב המבוסס על בינה מלאכותית (AI) הממיר תמונות המטוקסילין ואאוזין (H&E) לתמונות אימונוהיסטוכימיה (IHC) עבור מספר סמני נוגדנים (סמן אחד בכל פעם).
רֶקַע
רקמות הן מערכות אקולוגיות בעלות מבנה מרחבי המורכבות מתאים שונים ומחומרים שאינם תאיים. H&E היא טכניקת צביעה חשובה המשמשת בתהליכי היסטופתולוגיה לבחינת מורפולוגיה של רקמות הקשורה למחלה. H&E מזהה שגשוג תאים חריג, פלישה לימפווסקולרית וחדירת תאים חיסוניים בסרטן.
הבנת ההטרוגניות המרחבית של הגידול היא קריטית לביולוגיה של הסרטן. תהליכים נוכחיים מסתמכים על הליכים גוזלים זמן ועתירי רקמות, וכתוצאה מכך תמונות לא מיושרות. צביעה מלאכותית של תמונות רקמה עם AI היא אלטרנטיבה מבטיחה, חסכונית ונגישה בקלות.
לגבי המחקר
במחקר הנוכחי, חוקרים יצרו את הכלי VirtualMultiplexer כדי לספק תמונות אימונוהיסטוכימיה מרובבות כמעט עבור סמני נוגדנים שונים בהתבסס על תמונה מוכתמת ב-H&E. סמני הנוגדנים כוללים קולטן אנדרוגן (AR), חלבון הומיאובוקס Nkx-3.1 (NKX3.1), אשכול התמיינות 44 (CD44), CD146, p53 וגן קשור לטרנספורמציה אריתרובלאסט (ERG).
הצוות אימן את VirtualMultiplexer על תמונות מקוריות מוכתמות ב-H&E (מקור) ותמונות אימונוהיסטוכימיה (יעד). המודל חילק את התמונות לטלאים והזין אותן לרשתות מחוללים, שהתנה את הקלט והפלט. המודל תרגם את דפוסי הצביעה לצורות רקמה. תיקוני IHC שהופקו הורכבו ליצירת תמונות IHC וירטואליות.
VirtualMultiplexer מספק ארכיטקטורה המשכפלת סקירת מומחים אנושית ברמת תא בודד, שכונה תא ותמונה מלאה. הוא משתמש באובדן שכונתי כדי להבטיח שלא ניתן להבחין בין תיקוני IHC המיוצרים לבין אלה המקוריים, בנוסף לאובדי ניגודיות יריבים ורב-שכבתיים מתרגום ניגודי בלתי מזווג (CUT). אובדן עקביות גלובלי הבטיח תוכן ועקביות סגנונית בין תמונות אימונוהיסטוכימיה בפועל לתמונות וירטואליות. הפסדי עקביות מקומיים תפסו את הייצוג המקורי ואת דפוסי ההכתמה.
החוקרים אימנו את כלי הבינה המלאכותית באמצעות מערך רקמות (TMA) לסרטן הערמונית. ה-TMA כלל תמונות לא מזווגות שנצבעו בחומרי H&E ו-IHC עבור שישה סמנים של ממברנה, ציטופלזמה וגרעין משמעותיים מבחינה קלינית. הם אימנו מודל נפרד של VirtualMultiplexer אחד לאחד עבור כל סמן IHC בנפרד.
כדי להבטיח אמינות מכתים, הם מציעים טכניקה רב קנה מידה המשלבת שלוש פונקציות אובדן נפרדות. החוקרים ניתחו את התמונות שנוצרו על ידי יישום קריטריוני נאמנות כמותיים, הערכת פתולוגיה של מומחים והערכות טיורינג חזותיות לפני קביעת המשמעות הטיפולית שלהן על ידי הערכת תוצאות קליניות. הם השוו את ה-VirtualMultiplexer לארבעה אלגוריתמי תרגום S2S חדישים ללא התאמה והשתמשו במרחק ההתחלה של Fréchet (FID) כדי להעריך את האיכות של תמונות שנוצרו על ידי AI.
החוקרים קודדו תמונות H&E אמיתיות, IHC אמיתיות או IHC וירטואליות כייצוגי גרף רקמות ולאחר מכן השתמשו בשנאי גרפים (GT) כדי להעביר את הייצוגים לתוויות מחלקות במורד הזרם.
החוקרים השתמשו בכתמים שהתקבלו במערך הנתונים האירופי של מחקר קליני ותרגולי של סרטן הערמונית הרב-מרכזי (EMPaCT) כדי לחזות הישרדות חולים והתקדמות המחלה. הם בדקו את יכולתו של המודל להכליל נתונים באמצעות הערכת דרגת סרטן הערמונית (PANDA) ו-SICAP, שכללו ביופסיות מוכתמות ב-H&E וציוני גליסון קשורים. הם יישמו את VirtualMultiplexer שהוכשר מראש על ידי EMPaCT על TMA (PDAC) של קבוצת אדנוקרצינומה של הלבלב ויצרו תמונות IHC וירטואליות עבור CD44, CD146 ו-p53, כמו גם תמונות של כל שקופיות מוכתמות ב-H&E של סרטן המעי הגס וסרטן השד. אטלס גנום הסרטן.
תוצאות
VirtualMultiplexer זיהה דפוסי צביעה בעלי משמעות פיזיולוגית בקנה מידה שונה של רקמות ללא צורך בפרוסות רקמה עוקבות, רישום תמונה או הערת מומחים ארוכה. הוא מייצר מערכי הדמיה כמעט מרובבים עם איכות צביעה מצוינת שאי אפשר להבחין בין אלה בפועל בזמן, חזק ומדויק. החוקרים תרגמו את המודל ביעילות על פני גדלי רקמות וקבוצות חולים, מה שמצביע על יכולתו להעביר בין סוגי רקמות.
VirtualMultiplexer יצר תמונות IHC וירטואליות ששמרו על צורת הרקמה ודפוסי ההכתמה של תמונת H&E המקורית. למודל היה הערך הנמוך ביותר עבור FID בכל סמני הנוגדנים (ממוצע, 29), באופן עקבי פחות מ-CycleGAN, AI-FFPE CUT ו-CUT עם נורמליזציה של מופעי ליבה (KIN). במבחן טיורינג, למודל הייתה רגישות של 52% וספציפיות של 54% לסמני נוגדנים. בממוצע, ל-71% מהתמונות הוירטואליות הייתה איכות צביעה מקובלת, לעומת 78% לתמונות מקוריות.
ל- VirtualMultiplexer יש הגבלות, כגון רקע מוגבה וחפצי ריצוף בולטים יותר ליד גבול הליבה. הוא גם אינו צובע כראוי מבני כלי דם CD146+ או תאי NKX3.1+ בלוטות הפולשים לסטרומה פרי-בלוטית. למרות הקשיים הללו, התמונות שהופקו אפשרו אימון מודלים מוקדמים של היתוך GT, ששיפרו את חיזוי נקודת הקצה הקלינית הן בקבוצת סרטן הערמונית מחוץ להפצה והן בקבוצת הגידול, הצומת והגרורות של PDAC (TNM).
מַסְקָנָה
המחקר הראה כי VirtualMultiplexer משפר חיזוי קליני בתהליכי היסטופתולוגיה ובביולוגיה של סרטן על ידי יצירת תמונות IHC מרובבות באיכות גבוהה ומציאותית. הממצאים מדגישים את השימוש הטיפולי בהדמיית גידול מרובבת בעזרת AI. VirtualMultiplexer מתאים לצביעה של נתונים, זקיפת דגימות ותכנון ניסוי פרה-היסטופתולוגי. מחקרים עתידיים צריכים להעריך את הגישה בהקשרים של העולם האמיתי.
