Biochemiczny „odcisk palca” tkanek pomoże wykryć endometriozę. AI wkracza do diagnostyki

Jak podczerwień i sztuczna inteligencja mogą pomóc w endometriozie?

Endometrioza to przewlekłe schorzenie zapalne związane z działaniem estrogenów, w którym poza jamą macicy pojawiają się ogniska tkanki przypominającej jej naturalną wyściółkę. Takie ogniska potrafią się rozrastać, zmieniać i cyklicznie krwawić, co uruchamia stan zapalny, prowadzi do włóknienia i zrostów oraz zaburza pracę narządów rozrodczych. W praktyce oznacza to długotrwały ból, trudności w życiu zawodowym i prywatnym, a także częste problemy z płodnością – autorzy badania wskazują, że około połowa pacjentek ma kłopot z zajściem w ciążę, a od pierwszych objawów do diagnozy mija średnio od siedmiu do dziesięciu lat. Choroba przybiera różne formy: od powierzchownych zmian na otrzewnej, przez torbiele jajników, po głębokie nacieki sięgające ponad pięć milimetrów w głąb tkanek, które szczególnie obciążają organizm. Polski interdyscyplinarny zespół z Lublina, Rzeszowa i Krakowa postanowił sprawdzić, czy da się rozróżniać typy choroby nie tylko na podstawie obrazu z laparoskopii i badania mikroskopowego, ale także dzięki analizie biochemii tkanek. Wykorzystano do tego spektroskopię w podczerwieni z transformatą Fouriera, która mierzy, jak próbka pochłania promieniowanie podczerwone i tworzy widmo przypominające kod kreskowy składu chemicznego. Różne wiązania w cząsteczkach tłuszczów, białek czy cukrów pochłaniają charakterystyczne zakresy energii, więc widmo ujawnia subtelne różnice między tkanką zdrową a zmienioną chorobowo, nawet jeśli nie widać ich wyraźnie w klasycznym obrazie.

Jak wyglądały badania i co odkryto w widmach tkanek?

Próbki pobierano od pacjentek operowanych laparoskopowo w ośrodku leczenia endometriozy w pierwszym Wojskowym Szpitalu Klinicznym w Lublinie – z każdej operacji zabezpieczano fragment zmiany oraz fragment tkanki uznanej za zdrową jako materiał kontrolny. Z tak przygotowanych próbek tworzono bardzo cienkie skrawki do pomiarów spektroskopowych i analizowano ich widma. W wynikach pojawiały się powtarzalne różnice: przy endometriozie widoczne były silniejsze sygnały związane z lipidami, zmiany w pasmach białek oraz w obszarach odpowiadających cukrom, kwasom nukleinowym i związkom fosforanowym. Jedno widmo zawiera jednak tysiące punktów pomiarowych, więc ich interpretacja przypomina rozpoznawanie twarzy z gęstej siatki pikseli – to zadanie idealne dla algorytmów uczących się wzorców. Dlatego kolejnym krokiem było wykorzystanie sztucznej inteligencji. Zespół porównał trzy podejścia z zakresu uczenia maszynowego. Maszyna wektorów nośnych działa jak wirtualny nauczyciel rysujący granicę między tkankami chorymi a kontrolnymi, ale przy ogromnej liczbie cech może mieć problem z wyborem najważniejszych sygnałów. Głębokie sieci neuronowe potrafią uchwycić bardzo złożone zależności, lecz zwykle wymagają ogromnych zbiorów danych – przy mniejszej liczbie przykładów mogą nadmiernie dopasowywać się do znanych schematów, co w badaniu było widoczne przy endometriozie otrzewnowej: model miał idealną czułość, ale niemal nie odróżniał próbek negatywnych. Trzecia metoda, XGBoost, łączyła wiele prostych drzewek decyzyjnych, które kolejno poprawiały swoje błędy, i w tym zestawieniu okazała się najbardziej stabilna oraz wiarygodna.

Jakie wyniki dało połączenie spektroskopii z algorytmami?

Kluczowe osiągnięcie pracy nie polega tylko na wskazaniu najlepszego algorytmu, lecz na pokazaniu, jak przygotować dane, by diagnozowanie było skuteczne. Badacze użyli algorytmu Boruta do wyboru najważniejszych fragmentów widma, odsiewając te, które nie niosły istotnej informacji diagnostycznej i stanowiły jedynie szum. Gdy do XGBoost trafiało pełne widmo, trafność rozpoznawania endometriozy jajnikowej wynosiła około osiemdziesięciu jeden procent, jelitowej około siedemdziesięciu siedmiu procent, a otrzewnowej około siedemdziesięciu ośmiu procent. Po wybraniu kluczowych cech wyniki wzrosły odpowiednio do około dziewięćdziesięciu trzech, osiemdziesięciu ośmiu i dziewięćdziesięciu procent, a poprawiła się także równowaga między czułością a swoistością. Algorytm wskazał przy tym inne fragmenty widma jako najważniejsze dla poszczególnych lokalizacji zmian, co wspiera tezę, że ogniska w jajniku, jelicie i otrzewnej różnią się biochemicznie i można to uchwycić w pomiarach. "Endometrioza latami potrafi nie dawać jednoznacznego obrazu w badaniach, a jednocześnie realnie niszczy codzienne funkcjonowanie kobiet. Polski zespół naukowców sprawdził, czy da się odróżniać typy choroby nie tylko obrazem z laparoskopii i histopatologii, ale biochemią tkanki mierzoną spektroskopią FTIR."

Źródło: PAP

Źródłowa depesza PAP