Automatická detekce nádorového onemocnění kostní dřeně

Mnohočetný myelom je závažné nádorové onemocnění bílých krvinek. Jeho nejčastějšími příznaky jsou únava, opakované infekce a bolesti kostí, neboť nádorové buňky se vyskytují zejména v kostech a v kostní dřeni, kde narušují krvetvorbu, vyplavují vápník a destruují kost.
Toto onemocnění je nejčastěji diagnostikováno pomocí krevních testů a kostní dřeně.
V případě pozitivního výsledku je pak provedeno celotělové vyšetření pomocí rentgenu, výpočetní tomografie (CT), pozitronové emisní tomografie (PET-CT) nebo magnetické rezonance (MR) ke stanovení rozsahu kostního postižení. Ve zhotoveném vyšetření radiolog hodnotí zejména nádorová ložiska v kosti, případně v kostní dřeni.
Hodnocení je časově náročná a vysoce odborná činnost, kterou může usnadnit počítač. Na katedře kybernetiky Fakulty elektrotechnické ČVUT ve spolupráci s lékaři z 1. lékařské fakulty Univerzity Karlovy vyvíjíme program pro automatickou detekci mnohočetného myelomu z CT vyšetření. Náš postup se skládá z více kroků: nejprve na obrázku metodami analýzy obrazu ohraničíme samotnou kost a kostní dřeň a po kompenzaci individuálních anatomických rozdílů sestavíme ze snímků zdravých pacientů statistický model kosti. U nově zkoumaného snímku pak detekujeme místa s významnými odchylkami od tohoto modelu. Počítač označí přítomnost infiltrace na základě počtu a rozsahu detekovaných odchylek (viz obr.), a to za použití metod strojového učení.
Zajímavostí naší metody je, že na rozdíl od klasického postupu nevyžadujeme, aby nám lékařiexperti v trénovacích datech přesně označili jednotlivá ložiska. To by totiž bylo extrémně časově náročné, a navíc je pro samotné lékaře obtížné hranice ložisek jednoznačně určit. Místo toho nám stačí celková informace, zda je, či není postižení přítomno. Obecně se tomuto typu klasifikačních úloh říká Multiple instance learning, tedy učení z více instancí, a jedná se o velmi perspektivní třídu postupů zejména v oblasti počítačového zpracování lékařských dat, kde je na rozdíl od jiných oblastí aplikací umělé inteligence získání většího množství kvalitně označených trénovacích dat zpravidla problematické.
Již naše současná verze metody dosahuje přesnosti klasifikace lepší než 98 %. Skýtá tak možnost pomoci jak při hodnocení skeletálního postižení u pacientů s mnohočetným myelomem, tak při detekci postižení u dalších CT vyšetření provedených za jiným účelem.
Náš výzkum je podpořen grantem Grantové agentury ČR a byl již publikován v časopise Computers in Biology and Medicine.