Samen spelen voor impact. Dat is de belofte. De impact die we hiermee bedoelen komt in de vorm van een ‘weerkaart’ van onze cellen. Een visuele presentatie waarbij voor de 3 celtypen direct duidelijk wordt waar deze zich bevinden op een biopt. Voor een patholoog een geweldig hulpmiddel om te kunnen bepalen welke patiënt in aanmerking komt voor immuuntherapie. Zelfs voor ons leken, of beter gezegd: burgerpathologen, valt dit goed te begrijpen. Maar hoe komen we tot een dergelijke weerkaart en wat is een algoritme precies?
Zo wordt een deep learning algoritme getraind
Een deep learning algoritme is een geavanceerde vorm van AI dat gebruikmaakt van neurale netwerken met meerdere lagen (of ‘diepe’ netwerken) om complexe patronen in grote datasets te leren en te modelleren. Het algoritme ontvangt ruwe data, zoals beelden van weefselmonsters (biopten) van borsttumoren. Deze data worden omgezet in een formaat dat verwerkt kan worden door het neurale netwerk, vaak als een reeks numerieke waarden.
In de eerste lagen van het netwerk worden eenvoudige patronen of kenmerken (‘features’) in de data geïdentificeerd. In het geval van beeldverwerking, kan dit bijvoorbeeld de identificatie van randen of kleuren zijn van verschillende celtypen. Naarmate de data door meer lagen van het netwerk gaan, worden complexere patronen herkend, bijvoorbeeld zenuwbundels of bloedvaatjes.
Als laatste laag kan het netwerk worden gebruikt voor classificatie, het indelen van data in categorieën, bijvoorbeeld het onderscheiden van verschillende cellen zoals tumor, immuuncellen, fibroblasten. En regressie, het voorspellen van een continue waarde, zoals de hoeveelheid van immuuncellen.
Voor deze laatste stap zijn veel gelabelde data, ofwel annotaties nodig, dit is wat we met de game samen ophalen. Tijdens de training wordt het netwerk ‘gevoed’ met deze grote hoeveelheid gelabelde data. Het algoritme maakt voorspellingen, en de fouten in deze voorspellingen (het verschil tussen de voorspelde en de werkelijke waarden) worden gebruikt om het netwerk aan te passen. Dit proces heet ‘backpropagation’. Het netwerk past zijn interne parameters (gewichten) aan om de fout te minimaliseren.
Het resultaat: de weerkaart
Eenmaal getraind, kan het model nieuwe, ongelabelde data verwerken en zelfstandig voorspellingen of beslissingen nemen. Bijvoorbeeld om tumorcellen te identificeren in een plaatje van een weefselmonster. Dit is wat we bedoelen met een weerkaart. Als plaatje ziet dit er zo uit:
In het onderstaande plaatje is het algoritme vervolgens toegepast op de biopten van 5 patiënten. Dit maakt direct duidelijk welke patiënt in aanmerking komt voor immuuntherapie. Is dit voor jou ook duidelijk? Het gaat om patiënt 1, 2. Patiënt 3 is al een grensgeval. De reden is dat de immuuncellen tussen de tumor liggen, deze situatie maakt dat er veel tumor infiltrerende lymfocyten (TILs) voorkomen, een belangrijke voorspellende waarde voor de effectiviteit van immuuntherapie. Bij patiënt 4 en 5 weet de tumor zich goed af te weren, deze patiënten komen in aanmerking voor een andere therapie.
Met deze voorbeelden laten we zien dat de techniek beschikbaar is. Echter, de accuraatheid van het algoritme moet omhoog naar minimaal 98%. Dat is waar je voor speelt. Om dit secuur te doen, combineren we drie validatieniveaus:
- Codexkleuring: een laboratoriumtechniek die specifieke eiwitten gebruikt om celtypen te identificeren – zeer nauwkeurig, maar duur en beperkt in omvang.
- Beoordelingen door pathologen: meerdere experts annoteren delen van de dataset.
- De kracht van de massa: jij dus, met de benodigde hoeveelheid data te verzamelen voor AI-training.
Dit leidt hopelijk tot een accuraat getrainde weerkaart. Het resultaat, jouw impact, zullen we binnen 2 weken na de Challenge met je delen.
Recent Comments