Ανάπτυξη Ερμηνεύσιμων Μοντέλων Βαθιάς Μάθησης για την Ταξινόμηση Ιστοπαθολογικών Εικόνων Καρκίνου του Γαστρεντερικού Συστήματος

Abstract

Ο καρκίνος αποτελεί μία από τις κυριότερες αιτίες θανάτου παγκοσμίως, με εκατομμύρια νέα περιστατικά να διαγιγνώσκονται κάθε έτος. Η έγκαιρη και ακριβής διάγνωση είναι κρίσιμη για την επιτυχή θεραπευτική αντιμετώπιση και την πρόγνωση των ασθενών. Η ιστοπαθολογική εξέταση, η οποία βασίζεται στη μικροσκοπική ανάλυση δειγμάτων ιστών που έχουν υποστεί χρώση, θεωρείται το βέλτιστο πρότυπο (gold standard) για τη διάγνωση πλήθους μορφών καρκίνου. Ωστόσο, η παρατήρηση και η ανάλυση των εικόνων που προκύπτουν από την εξέταση αυτή, παρουσιάζουν σημαντικές προκλήσεις. Η διαδικασία είναι εξαιρετικά χρονοβόρα, απαιτεί υψηλή εξειδίκευση, ενώ επηρεάζεται από την υποκειμενικότητα και τη διαγνωστική μεταβλητότητα μεταξύ παθολογοανατόμων. Η εξέλιξη της Ψηφιακής Παθολογίας (Digital Pathology), δηλαδή η σάρωση και αποθήκευση ιστολογικών δειγμάτων σε ψηφιακή μορφή υψηλής ανάλυσης, επιτρέπει την αξιοποίηση τεχνικών τεχνητής νοημοσύνης για την ερμηνεία αυτών των εικόνων. Ιδιαίτερα, τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNNs) έχουν αναδειχθεί ως ένα ισχυρό εργαλείο για την αναγνώριση μορφολογικών χαρακτηριστικών σε ιστοπαθολογικές εικόνες. Πλέον, σε συγκεκριμένες διεργασίες όπως η ταξινόμηση ιστών, τα CNNs επιτυγχάνουν ακρίβεια συγκρίσιμη με αυτή ειδικών ιατρών. Στο πλαίσιο αυτής της διπλωματικής εργασίας, αναπτύσσεται και αξιολογείται ένα μοντέλο βαθιάς μάθησης για την ταξινόμηση ιστοπαθολογικών εικόνων σε καλοήθεις και κακοήθεις κατηγορίες. Το μοντέλο βασίζεται σε αρχιτεκτονική συνελικτικού νευρωνικού δικτύου και εκπαιδεύεται, αρχικά, στο σύνολο δεδομένων GasHisSDB, το οποίο περιλαμβάνει ιστοπαθολογικές εικόνες γαστρικού καρκίνου. Εμπλουτίζεται με το εργαλείο ερμηνευσιμότητας Grad-CAM, το οποίο παράγει θερμικούς χάρτες που αναδεικνύουν τις περιοχές της εικόνας που επηρέασαν την τελική πρόβλεψη. Παράλληλα, εφαρμόζεται η μέθοδος Monte Carlo Dropout για την αποτίμηση της αβεβαιότητας των προβλέψεων του μοντέλου. Η προτεινόμενη προσέγγιση συγκρίνεται με ήδη υπάρχοντα state-of-the-art μοντέλα και επιτυγχάνει ακρίβεια 94% στο σύνολο αξιολόγησης. Σε δεύτερο στάδιο, το μοντέλο επανεκπαιδεύεται στο σύνολο δεδομένων MHIST που αποτελείται από ιστοπαθολογικές εικόνες καρκίνου του παχέος εντέρου, με σκοπό να αξιολογηθεί η γενικευσιμότητά του.