Search
מחקר OU מתמקד בשילוב חדשני של טכניקות הדמיה לאיתור סרטן הלבלב

למידה עמוקה משנה אבחון וטיפול ב-PDAC

חוקרים פיתחו בהצלחה מודל למידה עמוקה שמסווג אדנוקרצינומה של הלבלב (PDAC), הצורה הנפוצה ביותר של סרטן הלבלב, לתת-סוגים מולקולריים באמצעות תמונות היסטופתולוגיות. גישה זו משיגה דיוק גבוה ומציעה אלטרנטיבה מהירה וחסכונית לשיטות הנוכחיות המסתמכות על מבחני מולקולרי יקרים. המחקר החדש ב כתב העת האמריקאי לפתולוגיהשפורסם על ידי Elsevier, מחזיק בהבטחה לקדם אסטרטגיות טיפול מותאמות אישית ולשפר את תוצאות המטופל.

PDACs עלו לאחרונה על סרטן השד כגורם השלישי לתמותה מסרטן בקנדה ובארצות הברית. ניתוח יכול לרפא כחמישית ממקרי PDAC אם הם מתגלים מוקדם. למרות התערבות כירורגית ניתנת לחולים אלו, שיעור ההישרדות לחמש שנים נותר על 20%. כ-80% מהחולים כבר פיתחו מחלה גרורתית באבחון, ורוב החולים הללו נכנעים למחלה תוך שנה.

האגרסיביות של PDAC מציבה אתגר אדיר בעת שימוש בטכנולוגיות רצף לקביעת תוכנית טיפול בחולה. ההידרדרות הקלינית המהירה של המחלה דורשת פעולה מהירה כדי לזהות אנשים מתאימים לטיפולים ממוקדים והכללה בניסויים קליניים. עם זאת, זמני ההתמודדות הנוכחיים של פרופיל מולקולרי, שנעים בין 19 ל-52 ימים ממועד הביופסיה, אינם עומדים בדרישות רגישות הזמן הללו.

חוקר מוביל דיוויד שייפר, MD, המחלקה לפתולוגיה ורפואת מעבדה, אוניברסיטת קולומביה הבריטית, בית החולים הכללי של ונקובר ומרכז הלבלב לפני הספירה, מסביר, "מתגלים יותר ויותר תת-טיפוסים בעלי פוטנציאל לפעולה להתאמה אישית של טיפול בחולי סרטן הלבלב. עם זאת, תת-הטיפוס עדיין מבוסס כולו על מתודולוגיה גנומית המבוססת על DNA ו-RNA המופקים מרקמות".

מתודולוגיה זו יוצאת מן הכלל אם קיימת מספיק רקמה, מה שלא תמיד המקרה עבור גידולי PDAC בהתחשב במיקום האנטומי הקשה של איבר זה. המחקר שלנו מספק שיטה מבטיחה לסיווג חסכוני ומהיר תת-סוגים מולקולריים של PDAC בהתבסס על שקופיות שגרתיות מוכתמות המטוקסילין-אאוזין, מה שעלול להוביל לניהול קליני יעיל יותר של מחלה זו."

דיוויד שייפר, MD, המחלקה לפתולוגיה ורפואת מעבדה, אוניברסיטת קולומביה הבריטית

המחקר כלל אימון מודלים של AI בלמידה עמוקה על תמונות פתולוגיות של שקף שלם כדי לזהות את תת-הסוגים המולקולריים של PDAC – דמויי בסיס וקלאסי – באמצעות שקופיות מוכתמות המטוקסילין ואאוזין (H&E). צביעת H&E היא טכניקה חסכונית וזמינה באופן נרחב, המבוצעת באופן שגרתי עם זמני אספקה ​​מהירים במעבדות פתולוגיות לאבחון ולפרוגנוסטיקה. המודלים אומנו על 97 שקופיות מ-The Cancer Genome Atlas (TCGA) ונבדקו על 110 שקופיות מ-44 מטופלים בקבוצה מקומית. המודל בעל הביצועים הטובים ביותר השיג דיוק של 96.19% בזיהוי תת-הסוגים הקלאסיים והבסיסיים במערך הנתונים של TCGA ו-83.03% בקבוצה המקומית, מה שהדגיש את חוסנו על פני מערכי נתונים שונים.

החוקר המוביל עלי בשאשתי, דוקטורט, בית הספר להנדסה ביו-רפואית, והמחלקה לפתולוגיה ורפואת מעבדה, אוניברסיטת קולומביה הבריטית, מציין, "הרגישות והספציפיות של המודל היו 85% ו-100%, בהתאמה, מה שהופך את כלי הבינה המלאכותית הזה לכלי ישים מאוד לניסוי חולים לבדיקות מולקולריות. כמו כן, ההישג העיקרי של מחקר זה הוא העובדה שמודל הבינה המלאכותית הצליח לזהות את תת-הסוגים מתמונות ביופסיה, מה שהופך אותו לכלי שימושי ביותר שניתן לפרוס בזמן האבחון."

ד"ר בששתי מסכם, "גישה מבוססת בינה מלאכותית זו מציעה התקדמות מרגשת באבחון סרטן הלבלב, ומאפשרת לנו לזהות תת-סוגים מולקולריים מרכזיים במהירות ובעלות יעילה".

דילוג לתוכן