סרטן הערמונית מהווה איום נפוץ לבריאות הגברים, במקום השני במקרי מוות הקשורים לסרטן בארצות הברית. בכל שנה, כ-250,000 גברים בארה"ב מקבלים אבחנה של סרטן הערמונית. בעוד שלרוב המקרים יש שיעורי תחלואה ותמותה נמוכים, תת-קבוצה של מקרים דורשת טיפול אגרסיבי. אורולוגים מעריכים את הצורך בטיפול כזה בעיקר באמצעות ציון גליסון, שמעריך את מראה בלוטת הערמונית בשקופיות היסטולוגיות. עם זאת, יש שונות ניכרת בפרשנות, מה שמוביל גם לתת-טיפול וגם לטיפול יתר.
לשיטה הנוכחית, המבוססת על שקופיות היסטולוגיות, יש מגבלות. רק חלק קטן מהביופסיה נצפה בדו-ממד, תוך סיכון להחמצת פרטים מכריעים, ופרשנויות של מבנים מורכבים של בלוטות תלת-ממד עלולות להיות מעורפלות כאשר צופים בקטעי רקמה דו-ממדיים. יתר על כן, היסטולוגיה קונבנציונלית הורסת רקמות, ומגבילה ניתוחים במורד הזרם. כדי להתמודד עם החסרונות הללו, חוקרים פיתחו שיטות פתולוגיה תלת-ממדיות לא הרסניות, המציעות הדמיה מלאה של דגימות ביופסיה תוך שמירה על שלמות הרקמה.
ההתקדמות האחרונה כוללת טכניקות להשגת מערכי נתונים של פתולוגיה תלת מימדית, המאפשרת הערכת סיכון משופרת לסרטן הערמונית. מחקר שפורסם ב Journal of Biomedical Optics (JBO) רותם את מלוא העוצמה של פתולוגיה תלת-ממדית על ידי פיתוח מודל למידה עמוקה לשיפור הפילוח התלת-ממדי של מבני רקמת בלוטות שהם קריטיים להערכת הסיכון לסרטן הערמונית.
צוות המחקר, בראשותו של פרופסור ג'ונתן TC Liu מאוניברסיטת וושינגטון בסיאטל, הכשיר מודל למידה עמוקה, nnU-Net, ישירות על נתוני פילוח תלת-ממדיים של בלוטת הערמונית שהתקבלו מצינורות מורכבים קודמים. המודל שלהם מייצר ביעילות פילוח סמנטי תלת-ממדי מדויק של הבלוטות בתוך מערכי הנתונים התלת-ממדיים של ביופסיות הערמונית, אשר נרכשו באמצעות מיקרוסקופים פתוחים (OTLS) שפותחו בתוך הקבוצה שלהם. פילוחי בלוטות תלת מימד מספקים תובנות חשובות לגבי הרכב הרקמה, שהוא חיוני לניתוחים פרוגנוסטיים.
התוצאות שלנו מצביעות על הדיוק המדהים של nnU-Net עבור פילוח תלת-ממדי של בלוטות הערמונית אפילו עם נתוני אימון מוגבלים, ומציעים אלטרנטיבה פשוטה ומהירה יותר לשיטות הפילוח התלת-ממדיות הקודמות שלנו. יש לציין שהוא שומר על ביצועים טובים עם תשומות ברזולוציה נמוכה יותר, מה שעלול להפחית את דרישות המשאבים".
פרופסור ג'ונתן TC ליו, אוניברסיטת וושינגטון
מודל הפילוח התלת מימדי החדש המבוסס על למידה עמוקה מייצג צעד משמעותי קדימה בפתולוגיה חישובית לסרטן הערמונית. על ידי הקלה על אפיון מדויק של מבני בלוטות, היא טומנת בחובה הבטחה להנחיית החלטות טיפול קריטיות כדי לשפר בסופו של דבר את תוצאות המטופל. התקדמות זו מדגישה את הפוטנציאל של גישות חישוביות בשיפור האבחון הרפואי. בהתקדם, זה טומן בחובו הבטחה לרפואה מותאמת אישית, וסוללת את הדרך להתערבויות יעילות וממוקדות יותר.
מעבר למגבלות של היסטולוגיה קונבנציונלית, פתולוגיה תלת מימדית חישובית מציעה את היכולת לפתוח תובנות חשובות לגבי התקדמות המחלה ולהתאים התערבויות לצרכי המטופל האישי. בעוד החוקרים ממשיכים לדחוף את גבולות החדשנות הרפואית, השאיפה לכיבוש סרטן הערמונית נכנסת לעידן חדש של דיוק ואפשרויות.
