Hidden networks, deconstructions, convolutions and colourful revolutions. Explainable multi- class classification for histopathologic lymphoid tissue prototyping
Questo studio presenta un framework di classificazione multi-classe non supervisionato ed esplicabile, che utilizza i metodi della densità del kernel di Minkowski e Cauchy per raggiungere un'accuratezza del 95,7% nel prototipaggio di campioni di tessuto linfoidi colorati con CD20, evidenziando al contempo insoliti pattern di segnalazione della diaminobenzidina e identificando la necessità di dati immunoistochimici e genetici ampliati per distinguere le linee cellulari B e T.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di essere un detective che cerca di risolvere un mistero all'interno di una minuscola e affollata città fatta di cellule. Nel mondo della medicina, questa città è una sezione di tessuto di un paziente, vista attraverso un microscopio. Di solito, i medici (patologi) guardano queste città con i propri occhi, dando la caccia agli indizi nelle forme e nei colori degli edifici (le cellule) per capire che tipo di malattia le sta invadendo. Ma a volte, gli indizi sono ingannevoli, l'illuminazione è strana o la città è semplicemente troppo grande per esaminare ogni singolo mattone. È qui che entra in gioco il "deep learning". Pensa al deep learning come a un apprendista robotico super intelligente e instancabile che può scansionare milioni di queste minuscole città in pochi secondi. Tuttavia, c'è un problema: la maggior parte di questi robot sono "scatole nere". Forniscono una risposta come "È un problema delle cellule B!", ma non possono spiegare il perché. Non mostrano i loro passaggi logici. Questo articolo affronta questo mistero costruendo un robot che non si limita a indovinare, ma mostra effettivamente la sua lavagna da detective, spiegando esattamente quali indizi hanno portato alla conclusione. Si tratta di rendere visibile e comprensibile la logica invisibile dell'IA per i medici umani che hanno bisogno di fidarsi di essa.
I ricercatori dietro questo studio, che lavorano presso l'Università del Witwatersrand in Sudafrica, hanno deciso di costruire un nuovo tipo di "robot detective" specificamente per osservare il tessuto linfoidi (un tipo di tessuto immunitario) che è stato colorato con un colorante marrone speciale chiamato CD20. Questo colorante agisce come un evidenziatore, marcando specifiche cellule B (un tipo di globulo bianco) in modo che risaltino contro lo sfondo blu delle altre cellule. Il loro obiettivo era creare un sistema che non solo potesse classificare questi tessuti in diverse categorie con alta precisione, ma potesse anche "decostruire" il proprio processo di pensiero in modo che un essere umano potesse vedere esattamente come è giunto a una decisione.
Per farlo, non si sono limitati a dare un'immagine al computer chiedendogli una risposta. Al contrario, hanno costruito un'autostrada a tre corsie per i dati, dove l'immagine del tessuto attraversa tre diversi flussi di elaborazione simultaneamente, come un'auto che percorre tre rotte diverse per raggiungere lo stesso traguardo e confrontare gli appunti.
La Corsia A è come uno scanner di forme e colori. Scompone l'immagine in piccole griglie per contare i bordi e le forme (usando qualcosa chiamato HOG) e scatta anche un'istantanea della miscela esatta di colori rosso, verde e blu (RGB) nel tessuto.
La Corsia B è il detective della texture. Utilizza un kit di strumenti di matematica avanzata per esaminare la "grana" del tessuto. Controlla i pattern nella ripetizione dei colori (LBP), misura come interagiscono i punti chiari e scuri (Haralick) e utilizza persino uno strumento matematico ondulatorio (Wavelet) per trovare dettagli nascosti nella trama. Inoltre, cerca specificamente il colorante marrone (DAB) per misurare esattamente quanto siano presenti le cellule bersaglio.
La Corsia C è una piccola e veloce rete neurale (un mini-cervello) che osserva l'immagine nel suo insieme per catturare le strutture del "quadro generale" che le altre due corsie potrebbero perdere.
Una volta che queste tre corsie hanno raccolto i loro indizi, il sistema non li ha semplicemente ammassati. Li ha fusi insieme in un enorme vettore di "super-caratteristiche" a 6.657 dimensioni. Per rendere questa mole di dati gestibile, i ricercatori hanno proiettato questa gigantesca nuvola di dati su una "ipersfera unitaria". Immaginate una gigantesca sfera invisibile dove ogni possibile pattern tissutale è un punto sulla superficie. Il sistema utilizza quindi due diversi metodi di punteggio — Minkowski (MK) e Cauchy Kernel Density (CKD) — per vedere quanto un nuovo campione di tessuto sia vicino ai "prototipi" (gli esempi medi) che ha già appreso. È come controllare se un nuovo sospettato somiglia di più alla "gang delle cellule B" o alla "gang delle cellule T" in base a quanto si trova vicino ai leader del gruppo su questa gigantesca sfera.
I risultati sono stati impressionanti. Il sistema ha raggiunto un'accuratezza di classificazione del 95,7% su un set di validazione di 303 piastrelle (piccoli pezzi dell'immagine del tessuto). Ha identificato correttamente 91 piastrelle del Campione 1, 88 del Campione 2, 14 del Campione 3 e 93 del Campione 4. I ricercatori hanno scoperto che i due diversi metodi di punteggio (MK e CKD) fornivano risultati identici, suggerendo che il successo del sistema derivasse dalla qualità degli indizi raccolti, e non solo dalla matematica usata per contarli.
Una delle scoperte più affascinanti è avvenuta con il "Campione 1". Il sistema ha notato qualcosa di insolito: il colorante marrone (CD20) era presente ma debole e a chiazze. I ricercatori hanno notato che questo era probabilmente dovuto al fatto che le cellule si trovavano in uno stato specifico in cui avevano smesso di produrre la proteina CD20, possibilmente a causa di trattamenti precedenti o di un sistema immunitario soppresso. Il sistema non si è limitato a dire "sbagliato"; ha evidenziato questo "segnale di diaminobenzidina insolito" come una caratteristica chiave, dimostrando di poter individuare sottili anomalie biologiche che un semplice classificatore "sì/no" potrebbe mancare.
Tuttavia, l'articolo è attento a non pretendere che questo sia un rimedio magico che risolve tutto. Gli autori dichiarano esplicitamente che il loro modello si basa su una singola colorazione (CD20) e che ha incontrato alcune difficoltà con il Campione 3, che aveva meno punti dati da cui imparare (solo 52 piastrelle originali, aumentate a 208). Ammettono anche che il modello non è riuscito a distinguere perfettamente tra cellule B e cellule T in tutti i casi, poiché mancava di una seconda colorazione (come CD3) per confermare la presenza delle cellule T. Infatti, notano che tre piastrelle dominate dalle cellule B sono state erroneamente classificate come Campione 4 (che era composto principalmente da cellule T), suggerendo che senza più dati genetici o di multi-colorazione, il robot può ancora confondersi ai confini.
Lo studio conclude che, sebbene il sistema sia altamente efficace per il suo compito specifico — ovvero classificare questi quattro tipi di tessuto linfoide con un'accuratezza del 95,7% e fornire una mappa visiva chiara del perché ha preso tali decisioni — non è ancora uno strumento diagnostico autonomo per tutte le malattie. Gli autori suggeriscono che il lavoro futuro debba includere un pannello completo di colorazioni e dati genetici per aiutare il robot a distinguere più chiaramente tra i diversi tipi di linee cellulari. Hanno costruito un framework trasparente e spiegabile che funziona bene con i dati forniti, ma avvertono che generalizzare questo processo al mondo più vasto e disordinato delle malattie umane richiederà un addestramento maggiore e indizi più complessi.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.