Projekt współfinansowany przez Unię Europejską ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach programu operacyjnego:
 
 Projekt: Opracowanie narzędzia bioinformatycznego automatyzującego diagnozę raka szyjki macicy
  
Wartość Projektu 9 814 190 zł
Dofinansowanie projektu z UE 7 631 886 zł

 

Wprowadzenie

Rak szyjki macicy jest w skali świata czwartym pod względem częstości występowania nowotworem u kobiet. Rocznie zapada na niego około 570 tysięcy kobiet, z których około 60% umiera. Wczesny rak zazwyczaj nie daje żadnych objawów, dlatego tak bardzo ważne jest regularne wykonywanie badania cytologicznego.

Rak szyjki macicy jest identyfikowany za pomocą badania cytologicznego: od pacjentki pobierany jest wymaz, a próbka badana pod mikroskopem przez lekarza-cytologa. Wizualna metoda identyfikacji obiektów ze zmianami nowotworowymi jest czasochłonna a także subiektywna (podobne obiekty – komórki, jądra mitotyczne itp. – mogą być różnie oznaczanie przez różnych patologów, w zależności od ich doświadczenia i wiedzy).

Utrwaloną na szkiełku próbkę tkanki można zeskanować za pomocą specjalistycznego skanera medycznego. Otrzymany w ten sposób, zdigitalizowany obraz próbki, może być wykorzystany przez programy do komputerowej analizy obrazu, sztuczną inteligencję i techniki uczenia maszynowego. Stwarza to nadzieję na przełom w diagnostyce raka, jakim będzie opracowanie systemu automatyzującego pracę lekarzy-patologów. Zdigitalizowane obrazy próbek medycznych mogą być wykorzystywane w programach komputerowej analizy obrazu, sztucznej inteligencji i technikach uczenia maszynowego. Oparty na sztucznej inteligencji i odpowiednio wytrenowany system może analizować obrazy, wyszukiwać i oznaczać na nich komórki rakowe, identyfikując ich typy oraz wystawiać na podstawie przeprowadzonej analizy wstępną diagnozę, wspomagając tym samym pracę lekarza diagnosty. Korzyści są oczywiste: oszczędność sił i czasu lekarza, jak również kosztów badań, zwiększenie wydajności prowadzonych badań.

Ostateczna diagnoza zawsze będzie wystawiana przez lekarza, który może zaakceptować, uzupełnić lub zmienić diagnozę wstępną, proponowaną przez system.

Przykład cyfrowego obrazu powiększonego fragmentu próbki:

Model działania

Proponowany system będzie funkcjonował wg poniższego schematu:

  1. Pobrana od pacjentki próbka jest skanowana, a skan trafia do systemu (system może działać zarówno w sieci, w chmurze jak i lokalnie, np. w szpitalu).
  2. System wstępnie ocenia jakość zeskanowanego obrazu próbki: czy jest na tyle dobrej jakości, że może posłużyć do wystawienia diagnozy. Obrazy uznane za niediagnostyczne są odrzucane.
  3. System dzieli obraz na mniejsze fragmenty (kafle). Przy podziale automatycznie odrzucane są te fragmenty skanu, które nie zawierają komórek lub zawierają artefakty.
  4. Odpowiednio wytrenowane modele sztucznej inteligencji przeprowadzają analizę obrazu, identyfikując komórki rakowe, segregując je wg ich typów i oznaczając je etykietami zawierającymi ich opis.
  5. Na podstawie pozyskanych w ten sposób informacji system generuje wstępną diagnozę.
  6. Skan, wstępnie zdiagnozowany i opisany przez system, jest przesyłany do lekarza-diagnosty, który wystawia diagnozę końcową.

Przewidywany zakres prac:

  1. Pozyskanie zbioru danych – cyfrowych skanów próbek cytologicznych wraz ich opisami.
  2. Opracowanie i wdrożenie procedury etykietowania danych. Skany preparatów będą etykietowane przez lekarzy-specjalistów, a ich praca będzie weryfikowana przez zespół kontrolny. Celem jest pozyskanie bazy danych obrazów preparatów wraz z ich etykietami dla potrzeb treningu modeli sztucznej inteligencji.
  3. Wyszukiwanie, identyfikacja i usuwanie artefaktów – fragmentów obrazów nie diagnostycznych.
  4. Opracowanie mechanizmu systemu diagnostycznego:
    1. Stworzenie repozytorium skanów i etykiet.
    2. Wstępna ocena jakości skanu i odrzucenie skanów złej jakości, niediagnostycznych.
    3. Opracowanie i wytrenowanie modeli sztucznej inteligencji, analizujących obrazy skanów i zbierających dane do diagnozy. Przewiduje się modele na bazie architektury YOLOv4 i YOLOR lub, alternatywnie, model maszynowego uczenia oparty na połączeniu metody segmentacjo obrazu na pojedyncze komórki a następnie klasyfikacji podzielonego tak obrazu.
    4. Budowa systemu eksperckiego, generującego diagnozę wstępną na bazie informacji pozyskanych w poprzednim etapie.
  5. Opracowanie interfejsu użytkownika, który będzie obsługiwany przez lekarza diagnostę. Interfejs będzie udostępniał skany obrazów, opracowane przez system diagnostyczny i ekspercki, wraz ze wszystkimi zgromadzonymi informacjami i umożliwiał wystawienie diagnozy ostatecznej.

Przeglądanie obrazu próbki w tworzonym na potrzeby systemu interfejsie użytkownika: