Maşın öyrənməsi ilə daha uğurlu xərçəng təsnifatı

Bir çox xərçəng növü çox vaxt hüceyrələrin mikroskop altındakı görünüşünə görə təsnif edilir. Patoloji müayinə adlanan bu üsul təxminən 200 ildir patoloqlar tərəfindən aparılır. Patoloqlar yüksək ixtisaslı olsalar və qiymətləndirməni çoxsaylı meyar və alqoritmlərə əsasən aparsalar da, diaqnozlar subyektiv xüsusiyyət daşıyır, yəni müşahidəçiyə görə qismən dəyişə bilər. Müasir süni intellekt texnologiyalarından maşın öyrənməsi ilə beyin şişləri üzərində aparılan tədqiqatda molekulyar nümunələr araşdırılaraq xərçəng diaqnozu üçün obyektiv və daha həssas nəticələr əldə edilib.
Xəstəliyin müalicəsində ən əsas məsələ onu düzgün müəyyən etməkdir. Son vaxtlar süni intellektlə görüntü işlənməsi sahəsindəki bəzi texnoloji irəliləyişlərlə subyektiv nəticələrdən asılı olmayan həssas diaqnostik tədqiqatlar aparıla bilir. Capper və komandası maşın öyrənməsinə əsaslanan bu texnologiyalar üzərində işləyir və molekulyar modellərlə beyin şişlərinin yeni təsnifatını təqdim ediblər.
Bu gün bir çox şiş histoloji xüsusiyyətlərlə yanaşı molekulyar xüsusiyyətlərinə görə də təhlil və müəyyən edilir. Ümumdünya Səhiyyə Təşkilatı (ÜST) 2016-cı ildə inteqrə edilmiş diaqnostik yanaşmalarda histologiya və molekulyar məlumatın birlikdə istifadəsini tövsiyə edib. Bununla yanaşı, əsasən histologiyaya söykənən diaqnozlar molekulyar təyinedicilərin çatışmazlığı səbəbindən bir çox nadir şiş növü üçün yetərsizdir. Histoloji diaqnozlar həmçinin müxtəlif genetik dəyişiklikli hüceyrələrin mozaikası olan şişlərdə mümkün hüceyrə variasiyaları və bir çox fərqli beyin şişinin oxşar histoloji xüsusiyyətlər daşıması kimi çətinliklərlə qarşılaşır. Oxşar histologiyalı şişlərin fərqli, fərqli histologiyalı şişlərin isə eyni şəkildə irəliləyə bilməsi nəzərə alındıqda histoloji oxşarlığın şiş oxşarlığını nə dərəcədə yaxşı əks etdirdiyinə dair suallar davam edir.
Histoloji təhlil üçün mühüm irəliləyiş maşın öyrənmə proseslərinin histoloji məlumatları təhlil etməsinə imkan verən hesablama vasitələrinin genişləndirilməsidir. Bu yanaşmada kompüter həkim tərəfindən təsnif edilmiş şiş nümunəsi görüntülərinin məlumat dəsti ilə öyrədilib. Kompüter şiş növlərini müəyyən etmək üçün öz nümunə tanıma meyarlarını hazırlamaqda təsnifat məlumatlarından istifadə edir. Lakin müəyyən şişlər üçün aydın diaqnostik meyarlar yoxdursa və ya fərqli şiş tipləri histoloji baxımdan fərqləndirilə bilmirsə, çətinlik yaranır.
Capper və həmkarları təsnifatı mürəkkəb vizual qiymətləndirmələr tələb etməyən molekulyar məlumatlara və epigenetik dəyişikliklərə yönəlməyə qərar verdilər. DNT metilləşməsindəki dəyişikliklərə (DNT-yə metil qruplarının əlavə olunmasına) əsasən şiş təsnifatına maşın öyrənməsi yanaşması tətbiq etdilər və bu diaqnozları patoloqların histoloji təhlillə qoyduqları ilə müqayisə etdilər.
DNT metilləşməsi epigenetik dəyişiklik adlanan modifikasiya növüdür. Bu dəyişiklik kateqoriyası DNT ardıcıllığını dəyişmir, lakin gen ifadəsinə və ya hüceyrənin gələcəyinə təsir edə bilər. DNT metilləşməsinin və xərçəngdəki digər epigenetik dəyişikliklərin rolu getdikcə aydınlaşır. Bir çox xərçəngdə epigenom adlanan, epigenetik dəyişikliklərin genom boyu nümunəsi geniş şəkildə dəyişə bilər. Məsələn, qlioma tipli beyin şişlərində IDH1 və ya IDH2 genlərindəki mutasiyalar spesifik klinik nəticələrlə əlaqələndirilə bilən DNT metilləşmə nümunələrinin genom boyu pozulmasına səbəb olur.
Əvvəlki tədqiqatlarda müəyyən beyin şişləri üçün DNT metilləşməsi profillənməsinin diaqnostik üstünlükləri vurğulanıb, çünki metilləşmənin epigenom boyu təhlili qərəzsiz diaqnostik yanaşma verir. Lakin epigenom boyu rutin metilləşmə profili klinik diaqnostikada müxtəlif səbəblərlə nisbətən nadirdir: xərc, nümunə tələbləri, lazımi məlumat təhlili təcrübəsi olan işçi çatışmazlığı və nəticələrin klinik müalicələrə təsir edib-etməməsi sualı. Bununla belə, bəzi irəliləyişlər var. Məsələn, şüşə preparatlarda ən geniş yayılmış kimyəvi qorunmuş şiş toxumasından, formalinlə fiksə edilmiş, parafinə yerləşdirilmiş (FFPE) nümunələrdən çıxarılmış DNT-dən istifadə üsulları da mövcuddur.
Müəlliflər kompüterə ÜST-nin təsnif etdiyi demək olar hər beyin şişi tipinə aid nümunələr üçün genom boyu metilləşmə məlumatları təqdim ediblər. Kompüterlər metilləşmə nümunələrini tanımaq üçün patoloqların təsnif etdiyi nümunələrdən nəzarətli maşın öyrənməsində, həmçinin nəzarətsiz maşın öyrənməsindən gələn nümunələrdən istifadə etdilər.
Təlimdən sonra kompüter spesifik metilləşmə profilləri əsasında şişləri 82 ayrı sinfə bölə bildi. Onların yalnız 29-u ÜST-nin müəyyən etdiyi şiş tiplərinin təmsil olunan 29 alt kateqoriyasında müəyyən edilmiş spesifik şiş tipinə uyğun gəldi.
Yenə də Capper və həmkarlarının ən maraqlı kəşfləri histoloji baxımdan oxşar şişlərin bir araya gətirildiyi, ÜST-nin təsnif etdiyi bir neçə şiş tipini və ya ÜST qruplaşdırmasına uyğun gəlməyən şiş tiplərini əhatə edən təsnifatlar idi. Bu cür kəşflər şiş histologiyasından asılı olmayan və müalicə seçimlərinin və ya diaqnostik vasitələrin hazırlanmasına kömək edə bilən şiş oxşarlıqları haqqında məlumat verə bilər.
Müəlliflər kompüterdən patoloqların standart histoloji və ya molekulyar üsullarla diaqnoz qoyduğu 1.104 sınaq halını təsnif etmək üçün istifadə ediblər. Bu halların %60.4-ündə kompüter əsaslı təsnifat patoloqun təsnifatı ilə eyni idi və %15.5-ində kompüterlə patoloq eyni şiş tipini göstərdi, lakin kompüter şişi əlavə olaraq alt sinfə də aid edə bildi. Sınaq hallarının %12.6-sında kompüter diaqnozu patoloqun diaqnozu ilə uyğun gəlmədi.
Diqqətəlayiq şəkildə bu halların daha ətraflı təhlili — məsələn, gen sekvenslənməsi — bu uyğun gəlməyən şişlərin %92.8-inin ilkin klinik diaqnozdan kompüter əsaslı təsnifata keçirilməsi ilə nəticələndi. Həmçinin yenidən təsnif edilmiş şişlərin %71-i fərqli şiş dərəcəsinə, proqnoza (xəstəliyin gedişinə) və ya müalicəyə təsir göstərə biləcək yeni təsnifata aid edildi. Qalan sınaq halları (% 11.5) kompüter tərəfindən təsnif edilə bilmədi. Əlavə hesablama təhlili bu qrupdakı şişlərin üçdə birinin kompüterin hələ təsnifat qrupu yaratmaq üçün kifayət qədər nümunə ilə qarşılaşdığı nadir şişləri təmsil edə biləcəyini göstərir.
Capper və həmkarlarının yanaşması standart xərçəng diaqnostikası ilə müqayisə edilə bilərmi? Nümunə başına aşağı xərc kimi üstünlüklər nəzərə alınanda şiş diaqnozu üçün gələcəyin mümkün standartını təmsil edirmi? Belədirsə, bu, histoloji təhlillərin sonu olacaqmı?
Şiş nümunəsinin əhatəli molekulyar profilinin əldə edilməsi, xüsusilə mikroskopik müayinə ilə birləşdirildikdə, şübhəsiz faydalıdır və tibbi müalicələr şəxsin şişinin xüsusiyyətlərinə görə daha fərdi olduğu üçün gələcəyə gedən yol ola bilər. Lakin hələlik histologiya xəstəlik təsnifatı üçün əvəzolunmazdır, çünki nümunənin qorunması və mikroskopik müayinənin standart yanaşmaları dünya üzrə klinik laboratoriyalarda rutin diaqnostik iş axınına ən əlçatan və universal giriş nöqtəsini verir. Xəstəlik həm molekulyar, həm hüceyrə dəyişiklikləri ilə özünü göstərə bilər; buna görə molekulyar təhlillə vizual müayinəni birləşdirən yanaşma diaqnostik imkanları gücləndirə bilər.
Capper və həmkarlarının hazırladığı platformanın rutin və geniş istifadəsi hazırda bir çox laboratoriya üçün praktik olmaya bilər; buna görə bu texnologiyanın ən təcili tətbiqi qeyri-müəyyən histoloji xüsusiyyətli halları qiymətləndirmək olacaq. Lakin bu maşın öyrənməsi yanaşması tamamlanıb genişləndirilərsə, bəzi hallarda diaqnostik mikroskopik müayinəni əvəz edə bilər.
Mənbələr
Machine learning classifies cancer.
Nature, News and Views, 14 March 2018
Bu məqalə sizə faydalı oldu?
Rəyiniz məzmunumuzu yaxşılaşdırmağa kömək edir.





Oxucu şərhləri
Şərhinizi paylaşın
Adınız və şərhiniz yalnız administrator təsdiqindən sonra dərc olunur. E-poçt ünvanınız ziyarətçilərə heç vaxt göstərilmir.
İlk şərhi siz yazın.