Carcinoma Ductal in situ (DCIS) הוא סוג של גידול טרום-פולשני שלעתים מתקדם לצורה קטלנית ביותר של סרטן השד. זה מהווה כ-25 אחוז מכלל האבחנות של סרטן השד.
מכיוון שקשה לרופאים לקבוע את הסוג והשלב של DCIS, חולים עם DCIS עוברים טיפול יתר. כדי להתמודד עם זה, צוות בינתחומי של חוקרים מ-MIT ו-ETH ציריך פיתח מודל AI שיכול לזהות את השלבים השונים של DCIS מתוך תמונה זולה וקלה להשגה של רקמת השד. המודל שלהם מראה שגם המצב וגם סידור התאים בדגימת רקמה חשובים לקביעת השלב של DCIS.
מכיוון שכל כך קל להשיג תמונות רקמות כאלה, החוקרים הצליחו לבנות את אחד ממערכי הנתונים הגדולים מסוגו, שבו השתמשו כדי לאמן ולבדוק את המודל שלהם. כאשר השוו את התחזיות שלה למסקנות של פתולוג, הם מצאו הסכמה ברורה במקרים רבים.
בעתיד, המודל יוכל לשמש ככלי שיעזור לקלינאים לייעל את האבחון של מקרים פשוטים יותר ללא צורך בבדיקות עתירות עבודה, ולתת להם יותר זמן להעריך מקרים שבהם פחות ברור אם DCIS יהפוך לפולשני.
"עשינו את הצעד הראשון בהבנה שאנחנו צריכים להסתכל על הארגון המרחבי של תאים בעת אבחון DCIS, ועכשיו פיתחנו טכניקה שניתן להרחבה. מכאן, אנחנו באמת צריכים מחקר פרוספקטיבי. עבודה עם בית חולים ומקבלים זה כל הדרך למרפאה יהיה צעד חשוב קדימה", אומרת קרוליין אולר, פרופסור במחלקה להנדסת חשמל ומדעי המחשב (EECS) ובמכון לנתונים, מערכות וחברה (IDSS), שהיא גם מנהל מרכז אריק וונדי שמידט ב-Broad Institute של MIT והרווארד וחוקר במעבדת MIT למערכות מידע והחלטות (LIDS).
לאולר, מחבר משותף של מאמר על מחקר זה, מצטרף הסופר הראשי Xinyi Zhang, סטודנט לתואר שני ב-EECS ובמרכז אריק וונדי שמידט; הסופר המתכתב GV Shivashankar, פרופסור למכוגנומיקה ב-ETH ציריך במשותף עם מכון פול שרר; ואחרים ב-MIT, ETH ציריך, ואוניברסיטת פאלרמו באיטליה. המחקר בגישה הפתוחה היה פורסם ב-Nature Communications.
שילוב של הדמיה עם AI
בין 30 ל-50 אחוז מהחולים עם DCIS מפתחים שלב פולשני מאוד של סרטן, אך החוקרים אינם מכירים את הסמנים הביולוגיים שיכולים לומר לרופא אילו גידולים יתקדמו.
חוקרים יכולים להשתמש בטכניקות כמו צביעה מרובה או רצף RNA חד-תא כדי לקבוע את השלב של DCIS בדגימות רקמה. עם זאת, בדיקות אלו יקרות מכדי לבצען באופן נרחב, מסביר שיבשנקר.
בעבודה קודמת, חוקרים אלה הראו כי טכניקת דמיון זולה המכונה צביעת כרומטין יכולה להיות אינפורמטיבית כמו רצף ה-RNA החד-תא היקר בהרבה.
עבור מחקר זה, הם שיערו ששילוב הכתם היחיד הזה עם מודל למידת מכונה שתוכנן בקפידה יכול לספק מידע זהה על שלב הסרטן כמו טכניקות יקרות יותר.
ראשית, הם יצרו מערך נתונים המכיל 560 תמונות של דגימות רקמה מ-122 חולים בשלושה שלבים שונים של המחלה. הם השתמשו במערך הנתונים הזה כדי לאמן מודל AI שלומד ייצוג של המצב של כל תא בתמונת דגימת רקמה, שבה הוא משתמש כדי להסיק את שלב הסרטן של המטופל.
עם זאת, לא כל תא מעיד על סרטן, ולכן החוקרים נאלצו לאגד אותם בצורה משמעותית.
הם תכננו את המודל כדי ליצור אשכולות של תאים במצבים דומים, תוך זיהוי שמונה מצבים שהם סמנים חשובים של DCIS. מצבי תאים מסוימים מעידים יותר על סרטן פולשני מאחרים. המודל קובע את שיעור התאים בכל מצב בדגימת רקמה.
יש חשיבות לארגון
"אבל בסרטן, גם הארגון של התאים משתנה. גילינו שרק הפרופורציות של התאים בכל מדינה זה לא מספיק. צריך גם להבין איך התאים מאורגנים", אומר שיבשנקר.
עם התובנה הזו, הם תכננו את המודל לשקול פרופורציה וסידור של מצבי תאים, מה שהגביר משמעותית את הדיוק שלו.
הדבר המעניין עבורנו היה לראות עד כמה הארגון המרחבי חשוב. מחקרים קודמים הראו שתאים הקרובים לצינור השד חשובים. אבל חשוב גם לשקול אילו תאים קרובים לאיזה תאים אחרים".
Xinyi Zhang, הסופר הראשי
כשהם השוו את התוצאות של המודל שלהם עם דגימות שהוערכו על ידי פתולוג, הייתה לזה הסכמה ברורה במקרים רבים. במקרים שלא היו ברורים כל כך, המודל יכול לספק מידע על מאפיינים בדגימת רקמה, כמו ארגון התאים, שפתולוג יכול להשתמש בהם בקבלת החלטות.
המודל הרב-תכליתי הזה יכול להיות מותאם לשימוש בסוגים אחרים של סרטן, או אפילו במצבים נוירודגנרטיביים, שהוא אחד התחומים שהחוקרים גם בוחנים כעת.
"הראינו שעם טכניקות הבינה המלאכותית הנכונות, הכתם הפשוט הזה יכול להיות חזק מאוד. יש עדיין הרבה יותר מחקר לעשות, אבל אנחנו צריכים לקחת את ארגון התאים בחשבון בעוד מחקרים שלנו", אומר אולר.
מחקר זה מומן, בחלקו, על ידי מרכז אריק וונדי שמידט במכון ברוד, ETH ציריך, מכון פול שרר, הקרן הלאומית למדע בשוויץ, מכוני הבריאות הלאומיים של ארה"ב, המשרד האמריקאי לחקר הצי, MIT מרפאת ג'מייל ללמידת מכונה ובריאות, מעבדת MIT-IBM Watson AI ופרס חוקר סימונס.
