Analiza barwionych preparatów tkankowych to jedna z podstawowych metod obrazowej diagnostyki medycznej – od rozpoznawania dystrofii mięśniowych po ocenę odpowiedzi na leczenie onkologiczne (np. na podstawie liczby limfocytów w otoczeniu zmian nowotworowych). Ręczna ocena zeskanowanych obrazów jest jednak czasochłonna, wymaga precyzyjnego wyznaczenia regionów zainteresowania i analizy ilościowej, a przy tym cechuje się niezadowalającą powtarzalnością ocen. Istniejące narzędzia obliczeniowe mają z kolei istotne ograniczenia – duże wymagania sprzętowe, wrażliwość na procedury barwienia i skanowania oraz brak przetestowania na wielu zbiorach danych, co uniemożliwia ich wejście do rutynowej praktyki klinicznej.
Wirtualny Patolog to system automatycznej analizy całych obrazów tkankowych, którego celem jest opracowanie i zweryfikowanie kompletnego szkieletu przetwarzania – od wstępnego przygotowania obrazu po segmentację i analizę. Rozwiązanie łączy metody przetwarzania obrazów, nienadzorowane uczenie maszynowe oraz uczenie głębokie, a jego kluczowe założenia to:
- Uniwersalność – działanie na obrazach o dowolnym barwieniu i rozdzielczości;
- podejście nienadzorowane, oparte na danych – bardziej przyjazne użytkownikowi, szybsze i wydajniejsze obliczeniowo niż stosowane dziś metody nadzorowane, a przy tym odporne na błędy adnotacji oraz błędy techniczne powstałe przy przygotowaniu preparatów;
- wyjaśnialna sztuczna inteligencja (eXplainable AI) – pozwalająca nie tylko na analizę, lecz także na identyfikację nowych biomarkerów histopatologicznych choroby nowotworowej i definiowanie nowych wskaźników histologicznych oraz radiomicznych.
Dzięki wykorzystaniu wielu zróżnicowanych zbiorów danych (z których część już zgromadzono) algorytmy można dostroić do wydajności wyraźnie przewyższającej istniejące rozwiązania. Jednym z zastosowań będzie automatyczna ocena wskaźnika TILs (tumour-infiltrating lymphocyte score) w pooperacyjnych preparatach różnych nowotworów, co posłuży zarówno weryfikacji zdolności modeli do generalizacji, jak i poszerzeniu wiedzy o różnicach w składzie komórek immunologicznych między fenotypami raka.
We wszystkich zastosowaniach, automatyczna analiza obrazów tkankowych ma wspierać diagnostykę i personalizację leczenia, ograniczając społeczne i ekonomiczne koszty terapii oraz poprawiając komfort życia pacjentów.
Projekt realizowany we współpracy z Politechniką Śląską.