Wykrywanie raka skóry dzięki sztucznej inteligencji obserwującej gwiazdy

W projekcie MOLEGAZER, finansowanym przez Europejską Radę ds. Badań Naukowych, naukowcy przekształcili algorytm używany do monitorowania nocnego nieba w taki, który jest w stanie wykryć zmieniające się znamiona i zidentyfikować potencjalne nowotwory skóry.

Złoty standard w wykrywaniu nowotworów skóry jest wciąż dość czasochłonny i mało skuteczny. Aby dostrzec wczesne oznaki czerniaka, dermatolodzy muszą badać i monitorować znamiona skórne, a pacjenci z wieloma znamionami muszą nauczyć się dodatkowo skutecznej samokontroli.

Do wsparcia tego procesu monitorowania stosuje się metodę fotografowania całego ciała (ang. total body photography, TBP), polegającą na wykonywaniu szerokokątnych zdjęć ciała pacjenta w znormalizowanych warunkach, aby zapewnić spójność wszystkich zdjęć. Mimo to badania kontrolne pacjentów nadal przeprowadzane są osobiście, a zdjęcia służą jedynie za wizualny punkt odniesienia.

Tymczasem zachorowalność na czerniaka rośnie na całym świecie. Kluczowe znaczenie ma wczesna diagnoza: u ponad 95% osób zdiagnozowanych we wczesnym stadium choroby wskaźnik przeżycia wynosi co najmniej pięć lat, w porównaniu z dużo niższym wskaźnikiem u osób zdiagnozowanych w zaawansowanym stadium choroby.

Przekształcając algorytm wykorzystywany zwykle do analizy nieba, naukowcy opracowali sposób na wykrywanie wczesnych oznak czerniaka.

„MOLEGAZER to projekt mający na celu zautomatyzowanie wykrywania znamion, monitorowanie ich ewolucji i wspomaganie klinicystów we wczesnej diagnostyce czerniaka” — zauważa Mark Sullivan, profesor astrofizyki na Uniwersytecie w Southampton.

Jak algorytmy skanują nocne niebo

Algorytmy zastosowane w projekcie MOLEGAZER wyszukują zmiany w obrazach astronomicznych, takie jak eksplodujące gwiazdy. „Nasze urządzenia astronomiczne co kilka nocy dokonują przeglądu nieba, wykrywając miliony gwiazd i galaktyk” — dodaje Sullivan.

Algorytmy te znajdują połączone piksele obrazu, które różnią się od poziomu tła i są monitorowane pod kątem zmian takich właściwości, jak ich kształt, rozmiar i jasność. Następnie algorytmy lokalizują interesujące obiekty na podstawie ewolucji tych właściwości.

Adaptacja algorytmów do obrazowania skóry

W astronomii najłatwiej dostrzec najjaśniejsze obiekty. „Niestety, znamiona nie świecą!” - mówi Sullivan. „Zamiast tego wstępnie przetworzyliśmy nasze obrazy, aby intensywność znamienia została wzmocniona w stosunku do reszty ciała”.

Podczas gdy kształty gwiazd, galaktyk i supernowych płynnie wtapiają się w tło, czerniak wyraźnie się odznacza. „To faktycznie zadziałało na naszą korzyść, ponieważ proste algorytmy wykrywania krawędzi mogły niezawodnie segmentować znamiona, a te informacje zostały następnie połączone z naszymi mapami intensywności, aby wybrać odpowiednie obszary do obserwacji dermatologicznej” – wyjaśnia Sullivan.

W ramach projektu MOLEGAZER zespół opracował zestaw danych TBP pacjentów z wysokim ryzykiem czerniaka, który wykorzystano do szkolenia algorytmów. Naukowcy stworzyli również bazę danych wszystkich cech skóry zidentyfikowanych na tych obrazach.

Dostrajanie sztucznej inteligencji dla ludzkiej skóry

Naukowcy nadal udoskonalają i ulepszają algorytmy w aktywnym cyklu uczenia się, w którym dermatolodzy wizualnie sprawdzają obrazy obszarów, w których algorytm jest najbardziej niepewny.

Takie delikatne popychanie algorytmów uczy je, jak pewniej oddzielać nieprawidłowe znamiona lub czerniaka od innych łagodnych obiektów na ciele pacjenta. Następnym etapem jest wdrożenie i przetestowanie tego podejścia na większej liczbie zdjęć osób z różnymi typami skóry.

Rubeta Matin, dermatolog z Oxford University Hospitals NHS Foundation Trust i członek zespołu MOLEGAZER, mówi: „To narzędzie wspomagające lekarza ma ogromny potencjał optymalizacji monitorowania znacznej części populacji, która ma ponad 60 pieprzyków na ciele i w przeciwnym razie zidentyfikowanie podejrzenia czerniaka jest bardzo trudne”.

© Unia Europejska, [2023] | źródło: CORDIS