Informacje o projekcie

„Analiza obrazów ultrasonograficznych wspomaganej sztuczną inteligencją, w celu predykcji odpowiedzi pacjentek z rakiem piersi na chemioterapię neoadjuwantową”

• Koszt realizacji: 957 600 zł.

Rak piersi jest najczęściej występującym nowotworem wśród kobiet i drugim co do częstości na świecie. Standardy jego leczenia opierają się na wielodyscyplinarnych schematach, uwzględniających stopień zaawansowania nowotworu i jego rodzaj. Chemioterapia neoadjuwantowa (NAC), czyli terapia przedoperacyjna, jest stosowana u 7–23% pacjentek i ma na celu m.in. zmniejszenie wymiarów guza przed operacją oraz zapobieganie pojawieniu się przerzutów.

Skuteczność NAC jest różna – pełna odpowiedź patologiczna lub minimalna choroba resztkowa osiągana jest u 15–30% pacjentek, odpowiedź częściowa natomiast u około 50%.

Monitorowanie pacjentek poddawanych NAC, w celu jak najwcześniejszej ewaluacji poziomu odpowiedzi na leczenie stanowi kluczowe zagadnienie. Należy bowiem pamiętać, że korzyści wynikające z chemioterapii neoadjuwantowej stanowią wypadkową skuteczności i toksyczności terapii.

Obecnie predykcja odpowiedzi na NAC jest dokonywana na podstawie obserwacji i analizy zmian zachodzących w wymiarach guza. Niestety ewaluacja odpowiedzi guza na leczenie, oparta wyłącznie na ocenie zmian jego wielkości obarczona jest dużym błędem.

Celem projektu jest opracowanie zaawansowanych technik analizy obrazów ultrasonograficznych (USG), które przyczynią się do poprawy skuteczności oceny odpowiedzi pacjentek z rakiem piersi na chemioterapię neoadjuwantową.  Wykorzystane zostaną zarówno tradycyjne techniki analizy danych jak i nowoczesne podejścia oparte na tzw. uczeniu głębokim.

Klasyczne metody analizy obrazów koncentrują się na wyodrębnianiu konkretnych cech widocznych na obrazach USG. Przykładem takich cech mogą być m.in. cechy związane z:

• morfologią guza – jego kształt, krawędzie, struktura.
• teksturą obrazu – różnice w jasności i rozkładzie pikseli widocznych na obrazie,

Metody uczenia głębokiego wykorzystują natomiast sieci neuronowe – zaawansowane algorytmy inspirowane działaniem ludzkiego mózgu. Te algorytmy mają zdolność automatycznego wykrywania istotnych cech na obrazach, bez potrzeby wcześniejszego wskazywania, czego dokładnie należy szukać.

Zaproponowane w projekcie  podejście, umożliwia  dokładną analizę obrazów ultradźwiękowych i w konsekwencji znacznie wcześniejszą i bardziej precyzyjną predykcją odpowiedzi pacjentek na leczenie. Zastosowanie metod w praktyce klinicznej, umożliwi w przyszłości, dostosowywanie terapii do potrzeb pacjenta, zwiększając w konsekwencji szanse na powodzenie leczenia

„Innowacyjna metoda diagnostyki guzów tarczycy na podstawie ultrasonografii i uczenia maszynowego”

• Nr rejestracyjny: NdS-II/SP/0189/2024/01
• Kwota przyznana przez Ministra: 1 000 000 zł

Celem projektu jest opracowanie algorytmów przetwarzania obrazów ultradźwiękowych w celu wspomożenia diagnostyki guzów tarczycy. Motywacją projektu jest fakt, że obecnie w wielu przypadkach diagnoza jest niedoskonała, co skutkuje dużą liczbą niepotrzebnych biopsji, a nawet operacji wycięcia tarczycy. Tego rodzaju operacje są dużym obciążeniem dla pacjenta i mają poważne konsekwencje, ponieważ wymuszają dożywotnie przyjmowanie odpowiednich leków. Ponadto w części przypadków u pacjentów wykształca się oporność na te leki, co stwarza dla nich poważny problem zdrowotny. O ile w przypadku guzów złośliwych interwencje chirurgiczne są uzasadnione, to w przypadku guzów łagodnych są zdecydowanie szkodliwe. Zwiększenie skuteczności diagnozy zmniejszyłoby liczbę przypadków, w których operacja została wykonana niepotrzebnie. Byłoby to korzystne z wielu względów. Przede wszystkim pacjenci, dla których operacja nie jest konieczna nie byliby jej poddawani, a zatem nie byliby niepotrzebnie narażani na stres, ból i możliwe późniejsze powikłania. Mniejsza liczba niepotrzebnych operacji przełożyłaby się na ich większą dostępność dla osób, dla których operacja jest koniecznością. Lepsza diagnostyka miałaby również pozytywny wpływ na koszty opieki zdrowotnej – zarówno operacje jak i ewentualne późniejsze powikłania związane są z wysokimi kosztami.

W ramach realizacji projektu planowane jest użycie metod uczenia maszynowego do analizy obrazów ultradźwiękowych w celu stworzenia modeli rozszerzających możliwości diagnostyczne i wspomagających lekarzy w ocenie guza. W szczególności planowane jest opracowanie metod do segmentacji (czyli oznaczenia na obrazie obszaru zawierającego guz) i do klasyfikacji guzów. Planowane jest użycie metod klasycznych, nowoczesnych metod uczenia głębokiego jak również metod łączących oba podejścia. Rozważane również będą parametry związane z teksturą obrazu ultradźwiękowego opisaną macierzą GLCM jak również parametry związane z morfologią guza – przykładowo jego wielkość, kształt, kontrast względem innych tkanek, struktura krawędzi, zwapnienia etc.

Modele będą tworzone z wykorzystaniem ultradźwiękowych danych zebranych w ramach ścisłej współpracy z lekarzami z Narodowego Instytutu Onkologii im. Marii Skłodowskiej-Curie. Koncepcja badań zakłada pracę na dwóch rodzajach danych. Pierwszy z nich stanowią standardowe obrazy ultrasonograficzne – tzw. Obrazy B-mode. Drugi to sekwencje obrazów (‘filmy’) pokazujące zmiany w tarczycy zachodzące po podaniu kontrastu. Ten drugi typ danych pozwala na wyznaczenie szeregu parametrów związanych z ukrwieniem guza, niemożliwych do wyznaczenia ze statycznych obrazów B-mode.