Algoritme pembelajaran mendalam baru dapat mengambil mutasi genetik dan defisiensi perbaikan ketidakcocokan DNA pada kanker kolorektal dengan lebih efisien

Algoritme pembelajaran mendalam baru yang dibuat oleh para peneliti dari University of Warwick dapat mengambil jalur molekuler dan pengembangan mutasi kunci yang menyebabkan kanker kolorektal lebih akurat daripada metode yang ada, yang berarti pasien dapat memperoleh manfaat dari terapi yang ditargetkan dengan waktu penyelesaian yang lebih cepat dan dengan biaya yang lebih rendah.

Untuk mengobati kanker kolorektal dengan cepat dan efisien, status jalur molekuler yang terlibat dalam perkembangan dan mutasi kunci kanker harus ditentukan. Metode saat ini untuk melakukannya melibatkan tes genetik yang mahal, yang bisa menjadi proses yang lambat.

Namun, para peneliti dari Departemen Ilmu Komputer di Universitas Warwick telah mengeksplorasi bagaimana pembelajaran mesin dapat digunakan untuk memprediksi status tiga jalur molekuler utama kanker kolorektal dan tumor hipermutasi. Fitur utama dari metode ini adalah tidak memerlukan anotasi manual pada gambar digital dari slide jaringan kanker.

Di koran, ‘Kerangka kerja pembelajaran mendalam yang diawasi dengan lemah untuk memprediksi status jalur molekuler dan mutasi kunci pada kanker kolorektal dari gambar histologi rutin ‘, diterbitkan hari ini 19^th Oktober, di jurnal Kesehatan Digital Lancet, peneliti dari University of Warwick telah mengeksplorasi bagaimana pembelajaran mesin dapat mendeteksi tiga mutasi utama dari gambar slide keseluruhan dari slide kanker kolorektal yang diwarnai dengan Hematoxylin dan Eosin, sebagai alternatif untuk rezim pengujian saat ini untuk jalur dan mutasi ini.

Para peneliti mengusulkan algoritme penarikan dan peringkat pengambilan sampel berulang yang baru, yang dapat memilih sub-gambar atau ubin yang representatif dari gambar keseluruhan-slide tanpa memerlukan anotasi terperinci di tingkat sel atau regional oleh ahli patologi. Pada dasarnya algoritme baru dapat memanfaatkan kekuatan data piksel mentah untuk memprediksi mutasi dan jalur penting secara klinis untuk kanker usus besar, tanpa intersepsi manusia.

Pengambilan sampel undian dan peringkat berulang bekerja dengan melatih jaringan saraf konvolusi dalam untuk mengidentifikasi wilayah gambar yang paling prediktif dari parameter molekuler kunci pada kanker kolorektal. Fitur utama dari pengambilan sampel undian dan peringkat berulang adalah memungkinkan analisis sistematis dan berbasis data dari komposisi seluler ubin gambar yang sangat memprediksi jalur molekuler kolorektal.

Keakuratan pengambilan sampel penarikan dan peringkat berulang juga telah dianalisis oleh para peneliti, yang menemukan bahwa untuk prediksi tiga jalur molekuler kanker kolorektal utama dan mutasi kunci, algoritma mereka terbukti secara signifikan lebih akurat daripada metode yang dipublikasikan saat ini.

Ini berarti algoritme baru berpotensi dapat digunakan untuk membuat stratifikasi pasien untuk terapi yang ditargetkan, dengan biaya lebih rendah dan waktu penyelesaian yang lebih cepat, dibandingkan dengan pengurutan atau pendekatan berbasis pewarnaan khusus setelah validasi skala besar.

Dr Mohsin Bilal, penulis pertama studi ini dan ilmuwan data di Tissue Image Analytics (TIA) Center di University of Warwick, mengatakan: “Saya sangat senang dengan kemungkinan penggunaan algoritma penarikan dan peringkat berulang untuk mendeteksi jalur molekuler dan mutasi kunci pada kanker kolorektal dan pasien terpilih yang mungkin mendapat manfaat dari terapi bertarget dengan biaya lebih rendah dengan waktu penyelesaian yang lebih cepat. Kami juga menantikan langkah penting berikutnya untuk memvalidasi algoritme kami pada kelompok multi-sentris yang besar.”

Profesor Nasir Rajpoot, Direktur TIA Center di Warwick dan penulis senior studi tersebut, berkomentar:

“Studi ini menunjukkan bagaimana algoritma cerdas dapat memanfaatkan kekuatan data piksel mentah untuk memprediksi mutasi dan jalur penting secara klinis untuk kanker usus besar. Keuntungan utama dari algoritme pengambilan sampel undian dan peringkat iteratif kami adalah tidak memerlukan anotasi yang memakan waktu dan melelahkan dari ahli patologi.

“Temuan ini membuka kemungkinan potensi penggunaan penarikan sampel dan peringkat berulang untuk memilih pasien yang mungkin mendapat manfaat dari terapi bertarget dan melakukannya dengan biaya lebih rendah dan dengan waktu penyelesaian yang lebih cepat dibandingkan dengan pengurutan atau pendekatan berbasis penanda khusus.

“Kami sekarang akan mencari untuk melakukan validasi multi-sentris besar dari algoritma ini untuk membuka jalan bagi adopsi klinisnya.”

Referensi:

M.Bil, dkk. “Pengembangan dan validasi kerangka pembelajaran mendalam yang diawasi dengan lemah untuk memprediksi status jalur molekuler dan mutasi kunci pada kanker kolorektal dari gambar histologi rutin: studi retrospektif“. Lancet, cetak elektronik (2021).

Sumber: Universitas Warwick