நோயியல் நிபுணர்களால் தவறவிடப்பட்ட ஆரம்ப கட்ட புரோஸ்டேட் புற்றுநோயை AI கண்டறிகிறது

புரோஸ்டேட் பயாப்ஸிகளில், முன்னர் ஒரு நோயியல் நிபுணரால் தீங்கற்றதாகக் கருதப்பட்ட கட்டியின் மறைக்கப்பட்ட உருவவியல் தடயங்களை செயற்கை நுண்ணறிவு அடையாளம் காண முடியும் என்பதை அறிவியல் அறிக்கைகள் நிரூபிக்கின்றன. பலவீனமாக மேற்பார்வையிடப்பட்ட அணுகுமுறையைப் பயன்படுத்தி பயிற்சியளிக்கப்பட்ட ஒரு ஆழமான கற்றல் மாதிரியானது, உயர்ந்த PSA உள்ள ஆண்கள் அடுத்த 30 மாதங்களில் மருத்துவ ரீதியாக குறிப்பிடத்தக்க புரோஸ்டேட் புற்றுநோயை (ISUP > 1) உருவாக்குவார்கள் என்றும், குறைந்தது 8 ஆண்டுகளுக்கு புற்றுநோய் இல்லாமல் இருப்பார்கள் என்றும் கணித்துள்ளது. இது ஆரம்ப "சுத்தமான" பயாப்ஸிக்குப் பிறகு உடனடியாக ஆரம்பகால ஆபத்து அடுக்குப்படுத்தலுக்கான கதவைத் திறக்கிறது, மேலும் யாருக்கு உண்மையில் மீண்டும் மீண்டும் ஆக்கிரமிப்பு நடைமுறைகள் மற்றும் மேம்பட்ட கண்காணிப்பு தேவை என்பதை தீர்மானிக்க உதவும்.

ஆய்வின் பின்னணி

புரோஸ்டேட்டின் முதன்மை ஊசி பயாப்ஸி பெரும்பாலும் தவறான-எதிர்மறை முடிவுகளைத் தருகிறது: மருத்துவ ரீதியாக குறிப்பிடத்தக்க புற்றுநோயின் குறிப்பிடத்தக்க விகிதம் "ஆஃப்-ஸ்கிரீனில்" உள்ளது, குறிப்பாக பாரம்பரிய முறையான TRUS பயாப்ஸியுடன். MRI வழிகாட்டுதலின் அறிமுகம் மருத்துவ ரீதியாக குறிப்பிடத்தக்க புற்றுநோய் கண்டறிதலின் விகிதத்தை அதிகரித்துள்ளது மற்றும் தேவையற்ற மீண்டும் மீண்டும் நடைமுறைகளின் எண்ணிக்கையைக் குறைத்துள்ளது, ஆனால் நவீன உத்திகளுடன் கூட, சில ஆக்கிரமிப்பு கட்டிகள் கண்டறியப்படாமல் உள்ளன. மருத்துவ குழப்பம் அப்படியே உள்ளது: "சுத்தமான" பயாப்ஸிக்குப் பிறகு யாரைக் கவனிக்க வேண்டும், ஆரம்பகால மீண்டும் மீண்டும் பயாப்ஸிக்கு யாரை பரிந்துரைக்க வேண்டும், இதனால் நோயறிதலை தாமதப்படுத்தக்கூடாது மற்றும் ஆக்கிரமிப்பு தலையீடுகளால் நோயாளிகளை அதிக சுமை செய்யக்கூடாது.

இந்த சிக்கலைத் தீர்ப்பதற்கான உயிரியல் அடிப்படையானது TINT (கட்டி-கற்பிக்கப்பட்ட/சாதாரண திசுக்களைக் குறிக்கும்) நிகழ்வு ஆகும்: ஒரு கட்டியானது சுற்றியுள்ள உறுப்பின் இயல்பான திசுக்களை "மறுகட்டமைக்கிறது", அவற்றில் பலவீனமான ஆனால் முறையான தடயங்களை விட்டுச்செல்கிறது - ஸ்ட்ரோமல் மறுவடிவமைப்பு மற்றும் ஹைபோக்ஸியா முதல் வளர்சிதை மாற்ற மாற்றங்கள் வரை. இந்த மாற்றங்கள் சோதனை மாதிரிகள் மற்றும் புரோஸ்டேட் புற்றுநோயால் பாதிக்கப்பட்ட நோயாளிகளில் விவரிக்கப்பட்டுள்ளன, மேலும் கட்டி ஆக்கிரமிப்புடன் தொடர்புடையவை, இது "சாதாரண" திசுக்களை நோயறிதல் சமிக்ஞைகளின் சாத்தியமான ஆதாரமாக ஆக்குகிறது, பயாப்ஸி மையத்தில் வெளிப்படையான புற்றுநோய் சுரப்பிகள் இல்லாவிட்டாலும் கூட.

டிஜிட்டல் நோயியல் மற்றும் ஆழமான கற்றல் முறைகள், நிலையான H&E பிரிவுகளிலிருந்து இத்தகைய "நுட்பமான" புல அம்சங்களைப் பிரித்தெடுப்பதை நோக்கமாகக் கொண்டுள்ளன. வெளிப்படையான கட்டி கட்டமைப்புகளில் கவனம் செலுத்தும் கிளாசிக்கல் உருவவியல் போலல்லாமல், வழிமுறைகள் உறுப்பின் மற்றொரு பகுதியில் கட்டி இருப்பதுடன் தொடர்புடைய ஸ்ட்ரோமா மற்றும் எபிதீலியத்தில் பரவியுள்ள வடிவங்களைப் பிடிக்க முடியும். இது எதிர்மறை பயாப்ஸிக்குப் பிறகு உடனடியாக அடுக்குப்படுத்தலுக்கு ஆபத்து ஏற்படுவதற்கான வழியைத் திறக்கிறது: அதிக கண்ணாடி "ஸ்கோர்" ஆரம்பகால மீண்டும் பயாப்ஸி அல்லது MRI வழிகாட்டுதலின் சாத்தியத்தை அறிவுறுத்துகிறது, குறைந்த ஒன்று மிகவும் மென்மையான கண்காணிப்பை ஆதரிக்கிறது.

சயின்டிஃபிக் ரிப்போர்ட்ஸில் வெளியிடப்பட்ட ஒரு புதிய ஆய்வின் பின்னணியில் உள்ள யோசனை இதுதான்: TINT பயாப்ஸிகளிலிருந்து உருவவியல் குறிப்புகளின் அடிப்படையில் அடுத்த 30 மாதங்களில் மருத்துவ ரீதியாக குறிப்பிடத்தக்க புரோஸ்டேட் புற்றுநோயை AI கணிக்க முடியுமா என்பதை ஆசிரியர்கள் சோதித்தனர். இந்த வேலை முன்னர் வழங்கப்பட்ட முன் அச்சிடலின் வரிசையில் கட்டமைக்கப்பட்டுள்ளது மற்றும் ஆரம்ப "சுத்தமான" பயாப்ஸிக்குப் பிறகு நோயாளி ரூட்டிங்கில் "புல" டிஜிட்டல் பயோமார்க்ஸர்களை செயல்படுத்துவதற்கான ஒரு பயன்பாட்டு அடிப்படையை உருவாக்குகிறது.

இது எவ்வாறு செய்யப்பட்டது: வடிவமைப்பு, தரவு, வழிமுறை

ஊசி பயாப்ஸியில் உயர்ந்த PSA அளவு கொண்ட 232 ஆண்களின் குழுவையும், ஊசி பயாப்ஸியில் "தீங்கற்றது" என்ற ஆரம்ப முடிவையும் ஆசிரியர்கள் பின்னோக்கிப் பரிசோதித்தனர் (தொழில்நுட்பக் கட்டுப்பாட்டிற்குப் பிறகு, 213 நோயாளிகள் மற்றும் 587 பிரிவுகள் இறுதி பகுப்பாய்வில் சேர்க்கப்பட்டன; பயாப்ஸிகள் 1997-2016, உமியா, ஸ்வீடன்). ஒவ்வொரு நோயாளியும் வயது, நோயறிதல் ஆண்டு மற்றும் PSA நிலை ஆகியவற்றின் அடிப்படையில் "கண்ணாடி" ஜோடியுடன் பொருத்தப்பட்டனர்: பாதி பேருக்கு பின்னர் (≤30 மாதங்கள்) புரோஸ்டேட் புற்றுநோய் இருப்பது கண்டறியப்பட்டது, மற்ற பாதி குறைந்தது 8 ஆண்டுகள் புற்றுநோயிலிருந்து விடுபட்டது. H&E ஸ்லைடுகள் டிஜிட்டல் மயமாக்கப்பட்டன (20×), 256×256 பிக்சல் ஓடுகளாக வெட்டப்பட்டு CLAM (கிளஸ்டரிங்-கட்டுப்படுத்தப்பட்ட கவனம் மல்டிபிள்-இன்ஸ்டன்ஸ் லேர்னிங்) - ஒரு நவீன பலவீனமாக மேற்பார்வையிடப்பட்ட திட்டம், இதில் நோயாளியின் தலைவிதி மட்டுமே அறியப்படுகிறது, ஒவ்வொரு பிக்சலையும் குறிப்பது அல்ல. அம்சங்கள் ResNet18 ஆல் 57 ஹிஸ்டோபோதாலஜி தரவுத்தொகுப்புகளில் முன் பயிற்சி பெற்றன. இறுதிப்புள்ளி பைனரி: குறைந்த ஆபத்து (தீங்கற்றது/ISUP1) vs. அதிக ஆபத்து (ISUP2-5).

கணிப்பு துல்லியம்

ஒரு சுயாதீன சோதனையில், இந்த மாதிரி ஸ்லைடுகளில் 0.81 AUC ஐயும், நோயாளி மட்டத்தில் 0.82 AUC ஐயும் அடைந்தது. ஏற்றுக்கொள்ளக்கூடிய சமநிலையை வழங்கும் ஒரு வரம்பில், உணர்திறன் 0.92 ஆக இருந்தது, தவறான-நேர்மறை விகிதம் 0.32 (நோயாளி-நிலை). வேறு வார்த்தைகளில் கூறுவதானால், ஆரம்ப பயாப்ஸி "தவறவிட்ட" மக்களில், சில தவறான எச்சரிக்கைகளின் விலையில், மருத்துவ ரீதியாக குறிப்பிடத்தக்க புற்றுநோய் இருப்பது விரைவில் உறுதிசெய்யப்பட்டவர்களில் பெரும்பாலோரை AI சரியாகக் குறிப்பிட்டது. மருத்துவமனைக்கு, இது ஒரு சமிக்ஞை: "தீங்கற்ற" பயாப்ஸி பதில் ≠ பூஜ்ஜிய ஆபத்து, மேலும் இது டிஜிட்டல் கண்ணாடி மூலம் அளவு ரீதியாக அடுக்கடுக்காக வகைப்படுத்தப்படலாம்.

"சாதாரண" திசுக்களில் AI சரியாக என்ன "கவனிக்கிறது"?

UMAP மற்றும் கவன வரைபடங்கள் வழியாக விளக்கம் ஸ்ட்ரோமல் மாற்றங்கள் மிகவும் தகவல் தரும் என்பதைக் காட்டியது:

• ஸ்ட்ரோமாவில் அதிக கொலாஜன் (மேட்ரிக்ஸ் சுருக்கம், "ஃபைப்ரோசிஸ்");
• சுரப்பிகளைச் சுற்றியுள்ள மென்மையான தசை செல்கள் குறைவு;
• சுரப்பி எபிட்டிலியத்தில் நுட்பமான சமிக்ஞைகள் குறைவாகவே காணப்படுகின்றன, அவை கிடைக்கக்கூடிய டவுன்சாம்ப்ளிங் தெளிவுத்திறனுக்குக் கீழே இருக்கலாம்.
  இந்த முறை TINT (கட்டி-அறிவுறுத்தப்பட்ட/சாதாரண திசுக்களைக் குறிக்கும்) கருத்துக்கு பொருந்துகிறது: ஒரு கட்டி மறைந்திருக்கும் ஒரு உறுப்பில் உள்ள "விதிமுறை" கூட அதன் செல்வாக்கின் கீழ் மறுகட்டமைக்கப்படுகிறது மற்றும் கட்டி இல்லாத ஒரு உறுப்பில் உள்ள "விதிமுறையிலிருந்து" வேறுபடுகிறது. புற்றுநோய் ஒரு நிடஸ் மட்டுமல்ல, ஒரு புலமும் கூட, மேலும் AI புல விளைவைப் படிக்கக் கற்றுக்கொள்கிறது.

இந்த அணுகுமுறை நடைமுறையில் எவ்வாறு பயனுள்ளதாக இருக்கும் - சாத்தியமான சூழ்நிலைகள்

• ஆபத்து அடிப்படையிலான மறு பயாப்ஸி: "சுத்தமான" கண்ணாடியில் அதிக AI விகிதம் - காத்திருப்பதற்குப் பதிலாக ஆரம்பகால மறு பயாப்ஸி அல்லது MRI வழிகாட்டுதலுக்கு ஆதரவான வாதம்.
• கண்காணிப்பின் தனிப்பயனாக்கம்: குறைந்த வேகம் "எல்லைக்கோட்டு" MRI க்குப் பிறகு பதட்டத்தை சமநிலைப்படுத்துகிறது மற்றும் கண்காணிப்பு தீவிரத்தை மிதப்படுத்த அனுமதிக்கிறது.
• TINT வடிவப் பயிற்சி: கவன வரைபடங்கள் மற்றும் ஊடாடும் மேலடுக்குகள் நோயியல் வல்லுநர்கள் புற்றுநோயைச் சுற்றியுள்ள நுட்பமான புலங்களைப் பார்க்க உதவுகின்றன, அறிக்கைகளின் நிலைத்தன்மையை மேம்படுத்துகின்றன.

வரம்புகளைப் புரிந்துகொள்வது முக்கியம்

இது வடக்கு ஸ்வீடனில் உள்ள ஒரு மையமாகும் (பெரும்பாலும் காகசியன் மக்கள் தொகை), வடிவமைப்பு பின்னோக்கிப் பார்க்கப்படுகிறது, அடிப்படை பயாப்ஸிகள் MRI வழிகாட்டுதல் இல்லாமல் செய்யப்பட்டன (முறையான TRUS பயாப்ஸிகள்), மற்றும் குறிப்பான்கள் "ஒரே ஸ்லைடில் உள்ள மறைமுக கட்டி" அல்ல, எதிர்கால விளைவுகளாகும். சுயாதீன மையங்கள்/ஸ்கேனர்களில் இன்னும் வெளிப்புற சரிபார்ப்பு இல்லை, அல்லது மருத்துவ முடிவுகள் மற்றும் விளைவுகளில் வழிமுறையின் விளைவு பற்றிய வருங்கால சோதனையும் இல்லை. தவறான நேர்மறை விகிதம் குறிப்பிடத்தக்கதாகவே உள்ளது - மாதிரி மருத்துவரை மாற்றாது, ஆனால் பகிரப்பட்ட முடிவெடுப்பதற்கான நிகழ்தகவு அடுக்கைச் சேர்க்கிறது.

அடுத்து என்ன: செயல்படுத்தல் வழிமுறைகள்

• பல மைய வெளிப்புற சரிபார்ப்பு (வெவ்வேறு ஸ்கேனர்கள், நெறிமுறைகள், இனக்குழுக்கள்).
• வருங்கால முடிவு ஆய்வுகள்: AI மதிப்பெண் நோயாளியின் பாதையை மாற்றுமா (நோயறிதலுக்கான நேரம், தேவையற்ற மீண்டும் மீண்டும் பயாப்ஸிகளின் எண்ணிக்கை, அதிகப்படியான/குறைவான நோயறிதல்).
• MRI மற்றும் மருத்துவமனையுடன் ஒருங்கிணைப்பு: ஒருங்கிணைந்த மாதிரிகள் (PSA, MRI PIRADS, மருத்துவ காரணிகள் + H&E படி TINT மதிப்பெண்).
• தொழில்நுட்ப படிகள்: டிஜிட்டல் மயமாக்கலின் தரப்படுத்தல், தரவு சறுக்கலைக் கட்டுப்படுத்துதல், விளக்கக்கூடிய தன்மை (வழக்கத்திற்கான கவன மேலடுக்குகள்).

மூலம்: செலேபியன் இ., அவெனல் சி., ஜெரெமோ எச்., ஆண்டர்சன் பி., பெர்க் ஏ., வால்பி சி., மற்றும் பலர். AI மூலம் தீங்கற்ற புரோஸ்டேட் பயாப்ஸிகளில் உருவ மாற்றங்களைக் குறிக்கும் கட்டியின் கண்டுபிடிப்பு. அறிவியல் அறிக்கைகள் (இயற்கை போர்ட்ஃபோலியோ), 21 ஆகஸ்ட் 2025 அன்று வெளியிடப்பட்டது. DOI: https://doi.org/10.1038/s41598-025-15105-6