Значительно более точная классификация рака с помощью машинного обучения

Многие виды рака часто классифицируют по виду клеток под микроскопом. Этот метод, называемый патоморфологическим исследованием, применяется патоморфологами уже почти 200 лет. Хотя это высококвалифицированные специалисты, оценивающие материал по многочисленным критериям и алгоритмам, диагнозы имеют субъективную составляющую, то есть могут отчасти зависеть от наблюдателя. В исследовании опухолей головного мозга с применением одной из современных технологий искусственного интеллекта — машинного обучения — анализ молекулярных паттернов позволил получить объективные и более точные результаты диагностики рака.
Самое главное в лечении заболевания — правильно его выявить. Благодаря нынешним технологическим достижениям в области обработки изображений искусственным интеллектом становятся возможны точные диагностические исследования, независимые от субъективных оценок. Capper и его команда работают над технологиями на основе машинного обучения и предложили новую классификацию опухолей головного мозга по молекулярным моделям.
Сегодня многие опухоли анализируют и определяют не только по гистологическим, но и по молекулярным характеристикам. В 2016 году Всемирная организация здравоохранения (ВОЗ) рекомендовала объединять гистологическую и молекулярную информацию в комплексной диагностике. Однако для многих редких видов опухолей диагнозы, основанные преимущественно на гистологии, недостаточны из-за отсутствия молекулярных маркеров. Гистологическая диагностика сталкивается и с другими трудностями: опухоль может быть мозаикой клеток с разными генетическими изменениями, а различные опухоли мозга могут иметь сходные гистологические признаки. Остаётся вопрос, насколько хорошо гистологическое сходство отражает сходство опухолей, учитывая, что опухоли со сходной гистологией способны прогрессировать по-разному, а с разной — одинаково.
Важным достижением гистологического анализа стало развитие вычислительных инструментов, позволяющих машинному обучению анализировать гистологические данные. При таком подходе компьютер на наборе изображений образцов опухолей, классифицированных врачом, обучается. Он использует сведения о классификации, чтобы выработать собственные критерии распознавания паттернов опухолевых типов. Однако возникают трудности, если для определённой опухоли нет чётких диагностических критериев или разные типы невозможно различить гистологически.
Capper и коллеги решили сосредоточиться на молекулярной информации, классификация которой не требует сложной визуальной оценки, и на эпигенетических изменениях. Они применили машинное обучение к классификации опухолей по изменениям метилирования DNA (присоединению метильных групп к DNA) и сравнили полученные диагнозы с диагнозами патоморфологов, поставленными по гистологическому анализу.
Метилирование DNA — вид модификации, относящейся к эпигенетическим изменениям. Такие изменения не меняют последовательность DNA, но могут влиять на экспрессию генов или судьбу клетки. Роль метилирования DNA и других эпигенетических изменений при раке становится всё яснее. При многих видах рака общегеномный паттерн эпигенетических изменений, называемый эпигеномом, может существенно меняться. Например, мутации генов IDH1 или IDH2 в глиомах головного мозга вызывают общегеномное нарушение паттернов метилирования DNA, которое может быть связано с определёнными клиническими исходами.
Предыдущие исследования подчёркивали диагностические преимущества профилирования метилирования DNA при некоторых опухолях мозга, поскольку анализ метилирования по всему эпигеному обеспечивает непредвзятый подход к диагностике. Тем не менее рутинное определение такого профиля относительно редко используется в клинической диагностике по нескольким причинам: стоимость, требования к образцам, нехватка специалистов по необходимому анализу данных и вопрос, влияют ли находки на используемое лечение. Однако есть и прогресс. Например, существуют методы работы с DNA, выделенной из наиболее распространённой формы химически сохранённой опухолевой ткани на предметных стёклах — образцов, фиксированных формалином и залитых парафином (FFPE).
Авторы предоставили компьютеру общегеномные данные метилирования образцов практически каждого типа опухоли мозга по классификации ВОЗ. Для распознавания паттернов метилирования компьютеры использовали обучение с учителем на образцах, классифицированных патоморфологами, а также образцы, полученные с помощью машинного обучения без учителя.
После обучения компьютер смог распределить опухоли по 82 отдельным классам на основе специфических профилей метилирования. Только 29 из них соответствовали конкретному типу опухоли из представленных 29 подкатегорий типов, определённых ВОЗ.
Наиболее интересными находками Capper и коллег оказались классификации, объединявшие гистологически сходные опухоли: например, несколько типов по ВОЗ либо типы, не совпадавшие с группировкой ВОЗ. Эти результаты могут дать информацию о сходстве опухолей, не зависящем от их гистологии, и помочь в разработке методов диагностики или выборе лечения.
Авторы использовали компьютер для классификации 1.104 тестовых случаев опухолей, диагностированных патоморфологами стандартными гистологическими или молекулярными методами. В 60.4% случаев компьютерная классификация полностью совпала с классификацией патоморфолога; в 15.5% компьютер и патоморфолог определили один и тот же тип, но компьютер дополнительно смог отнести опухоль к подклассу. В 12.6% тестовых случаев компьютерный диагноз не совпал с диагнозом патоморфолога.
Примечательно, что более подробный анализ этих случаев — например, секвенирование генов — привёл к замене первоначального клинического диагноза на компьютерную классификацию у 92.8% этих опухолей. Кроме того, 71% переклассифицированных опухолей были отнесены к другой степени злокачественности, что могло влиять на прогноз (течение заболевания) или лечение. Остальные тестовые случаи (11.5%) компьютер классифицировать не смог. Дополнительный вычислительный анализ показал, что треть опухолей в этой группе может представлять редкие опухоли, для формирования классификационной группы которых компьютер пока встретил достаточное число образцов.
Сопоставим ли подход Capper и коллег со стандартной диагностикой рака? Может ли он стать будущим стандартом диагностики опухолей с учётом таких преимуществ, как низкая стоимость анализа одного образца? И если да, будет ли это означать конец гистологического анализа?
Получение полного молекулярного профиля опухолевого образца, особенно вместе с микроскопическим исследованием, несомненно полезно и может стать направлением дальнейшего развития, поскольку лечение становится более индивидуальным в соответствии с характеристиками опухоли конкретного человека. Однако пока гистология незаменима для классификации заболеваний: стандартные способы сохранения образцов и микроскопического исследования являются наиболее доступной и универсальной отправной точкой рутинной диагностики в клинических лабораториях по всему миру. Заболевание может проявляться как молекулярными, так и клеточными изменениями; поэтому сочетание молекулярного анализа с визуальным исследованием способно усилить диагностические возможности.
Рутинное широкое применение платформы Capper и коллег сегодня может быть непрактичным для многих лабораторий, поэтому первоочередной областью её использования станет оценка случаев с неопределёнными гистологическими признаками. Однако после дальнейшей доработки и расширения этот подход машинного обучения в некоторых ситуациях может заменить диагностическую микроскопию.
Источники
Machine learning classifies cancer.
Nature, News and Views, 14 March 2018
Эта статья была полезна?
Ваш отзыв помогает нам улучшать материалы.





Комментарии читателей
Оставьте комментарий
Ваше имя и комментарий публикуются только после одобрения администратором. Ваш адрес электронной почты никогда не показывается посетителям.
Будьте первым, кто оставит комментарий.