Искусственный интеллект помогает патологам выявить признаки преэклампсии, совершенствуя диагностику и лечение

Преэклампсия является одной из ведущих причин смерти, связанной с беременностью. Даже после успешного родоразрешения мать и ребенок могут вернуться домой, но затем через несколько дней или недель у них проявляются признаки послеродового гипертензивного расстройства.

Осмотр плаценты после родоразрешения может предоставить важные сведения об осложнениях, возникших во время беременности, и определить будущий риск. Одним из таких признаков является решетчатая васкулопатия — заболевание материнских кровеносных сосудов плаценты, которое часто связано с послеродовой преэклампсией. Однако существует острая нехватка перинатальных патологов, обученных проведению плановых исследований плаценты, что означает, что менее 20% плацент в Соединенных Штатах исследуются после родоразрешения.

Для оптимизации этого процесса с надеждой, что в один день все плаценты будут проверены патологами на признаки заболевания, исследователи из Отделения машиностроения в Университете Карнеги-Меллона и Отделения патологии в UPMC разработали алгоритм машинного обучения, который может быстро выявить плаценты с заметными биомаркерами и выделить случаи, которые могут требовать дополнительного изучения специализированным патологом.

«Скрининг плацент немного похож на поиск в игре "Где Уолдо"», — сказал Мангалам Сахай, первый автор исследовательской работы, опубликованной в npj Digital Medicine. «Мы ищем пять измененных кровеносных сосудов среди 3000-4000 очень похожих сосудов».

Одно из биологических различий, которые ищут патологи, связано с клетками внедряющихся трофобластов (EVT) — клетками, которые помогают переделывать материнские кровеносные сосуды, чтобы обеспечить достаточный приток крови к плаценте и развивающемуся плоду. В сосудах, пораженных решетчатой васкулопатией, организация этих клеток относительно красных кровяных клеток изменяется.

Первый шаг исследователей заключался в использовании зависящих от окраски свойств светопропускания EVT и красных кровяных клеток в изображениях плацентарных сосудов для определения их пространственной организации.

Это похоже на сравнение двух типов ассорти орехов: оба содержат одинаковые ингредиенты, но в разных пропорциях. Глядя на относительное количество каждого ингредиента, можно различить одну смесь от другой. Аналогично, модель рассматривает относительное распределение EVT и красных кровяных клеток внутри сосуда для различения здоровых и измененных сосудов.

Алгоритм преобразует эти паттерны в стандартизированный балл, который указывает на типичность или необычность организации клеток. Вместо того чтобы просто обозначить сосуд как «измененный» или «здоровый», модель команды выделяется благодаря третьему уникальному этапу, который вычисляет то, что исследователи называют баллом морфологического разделения.

Этот балл сравнивает относительные распределения EVT и красных кровяных клеток в каждом сосуде. Здоровые сосуды, как правило, имеют меньше EVT относительно красных кровяных клеток, в то время как измененные сосуды имеют больше EVT. Эти различия приводят к разделению сосудов на две отчетливые группы.

Способность модели не только определять наличие признаков заболевания, но и объяснять, почему она пришла к такому выводу, имеет критическое значение для развертывания ИИ в здравоохранении. Объяснимость очень важна в ИИ, потому что вместо того чтобы полагаться на необъясненный диагноз «черного ящика», модель может указать патологам на измеримое биологическое различие.

«Мы внедряем биологически релевантную модель ИИ, которая может помочь объяснить диагноз», — сказал Фил ЛеДюк, профессор машиностроения. «Это очень важно для создания доверия к диагнозу. Я считаю, что в будущем модели, подобные нашей, улучшат жизнь не только пациентов с преэклампсией, но и людей с раком и заболеваниями головного мозга, где различные биомаркеры являются ранним индикатором».

«Человеческое вмешательство не может быть заменено», — подчеркнул Джон Каган, профессор машиностроения. «Модели ИИ будут позволять патологам диагностировать больше пациентов с преэклампсией в течение дня, чтобы помочь сделать клинические решения более эффективным и демократизированным процессом».