Podczerwień i sztuczna inteligencja przyspieszają diagnozę endometriozy

Zespół naukowców z Lublina, Rzeszowa i Krakowa ocenia, że endometrioza latami potrafi nie dawać jednoznacznego obrazu w badaniach, a jednocześnie realnie niszczy codzienne funkcjonowanie kobiet. Sprawdził, czy da się odróżniać typy choroby nie tylko obrazem z laparoskopii i histopatologii, ale biochemią tkanki mierzoną spektroskopią FTIR.

Endometrioza to przewlekła choroba zapalna silnie powiązana z gospodarką hormonalną, zwłaszcza z estrogenami. Jej istotą jest obecność poza jamą macicy ognisk tkanki przypominającej endometrium – miękką wyściółkę macicy, która w każdym cyklu miesiączkowym przygotowuje się na ewentualne zagnieżdżenie zarodka. Tkanka ta, umiejscowiona w nietypowych lokalizacjach, potrafi rosnąć, różnicować się i reagować na zmiany hormonalne, a nawet cyklicznie krwawić.

Konsekwencją jest przewlekły stan zapalny, który z czasem prowadzi do włóknienia, czyli zastępowania elastycznej tkanki strukturą przypominającą bliznę. Sprzyja to powstawaniu zrostów i zaburza funkcjonowanie narządów rozrodczych. Dla pacjentek oznacza to przewlekły ból, trudności w codziennym funkcjonowaniu – zarówno zawodowym, jak i rodzinnym – a często także problemy z płodnością.

Jak podkreślają autorzy pracy opublikowanej w czasopiśmie Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, nawet około 50 proc. kobiet z endometriozą doświadcza trudności z zajściem w ciążę. Sama choroba nie jest jednorodna. Zmiany mogą mieć charakter powierzchowny i lokalizować się na otrzewnej, mogą też tworzyć torbiele na jajnikach. Najcięższa postać to endometrioza głęboko naciekająca, w której ogniska wnikają w tkanki na ponad 5 mm, powodując szczególnie nasilone objawy.

Dodatkowym problemem jest długi czas do rozpoznania – od pierwszych symptomów do postawienia diagnozy mija średnio od 7 do nawet 10 lat. To sprawia, że choroba często jest już zaawansowana, zanim zostanie właściwie nazwana.

Na tym tle interdyscyplinarny zespół naukowców z Lublina, Rzeszowa i Krakowa postanowił sprawdzić, czy endometriozę da się wykrywać i różnicować inaczej niż dotychczas. Zamiast opierać się wyłącznie na obrazie z laparoskopu czy klasycznej ocenie mikroskopowej, badacze skupili się na biochemicznym profilu tkanki – jej chemicznym „odcisku palca”.

W tym celu wykorzystano spektroskopię FTIR (Fourier-transform infrared), czyli technikę mierzącą sposób pochłaniania promieniowania podczerwonego przez badaną tkankę. W praktyce FTIR działa jak niezwykle czuły detektor chemiczny. Różne wiązania w cząsteczkach – obecne w białkach, lipidach czy cukrach – drgają w charakterystyczny sposób i absorbują określone zakresy podczerwieni. Wynikiem jest widmo przypominające kod kreskowy, które odzwierciedla skład biochemiczny próbki. Jak podkreślają autorzy, metoda ta potrafi ujawnić różnice między tkanką zdrową a chorą nawet wtedy, gdy nie są one oczywiste w obrazie histologicznym.

Materiał do badań pochodził od pacjentek operowanych laparoskopowo w ośrodku leczenia endometriozy w 1. Wojskowym Szpitalu Klinicznym w Lublinie. Z każdej operacji zabezpieczano fragment zmiany endometrialnej oraz fragment tkanki wyglądającej na zdrową, pełniącej rolę kontroli. Następnie przygotowywano bardzo cienkie skrawki, odpowiednie do pomiarów FTIR.

Analiza widm wykazała powtarzalne różnice biochemiczne. Tkanki dotknięte endometriozą charakteryzowały się m.in. silniejszymi sygnałami związanymi z lipidami oraz zmianami w pasmach odpowiadających białkom. Różnice pojawiały się także w obszarach niosących informacje o cukrach, kwasach nukleinowych i związkach fosforanowych. Problem polegał jednak na tym, że pojedyncze widmo zawiera tysiące punktów danych – ich interpretacja przypomina próbę rozpoznania twarzy na podstawie milionów kolorowych pikseli.

Dlatego kluczową częścią pracy było zastosowanie algorytmów uczenia maszynowego, które potrafią uczyć się wzorców na podstawie przykładów. Badacze porównali trzy podejścia.

Pierwsze z nich, SVM (Support Vector Machine), można porównać do nauczyciela próbującego narysować jak najlepszą granicę oddzielającą dwie grupy – tkankę chorą i zdrową. Metoda ta jest solidna, ale przy bardzo dużej liczbie cech i obecności szumu może mieć trudności z wyborem tych najistotniejszych.

Drugim podejściem były głębokie sieci neuronowe (Deep Learning, DL), które świetnie radzą sobie z bardzo złożonymi zależnościami, lecz zazwyczaj wymagają ogromnych zbiorów danych. Przy mniejszej liczbie próbek mogą „przeuczać się”, czyli zbyt mocno dopasowywać do znanych schematów. W badaniu było to widoczne – model DL dla endometriozy otrzewnowej osiągał idealną czułość, wykrywając wszystkie przypadki pozytywne, ale niemal nie rozpoznawał przypadków negatywnych, co skutkowało niską trafnością ogólną.

Najlepiej wypadła trzecia metoda – XGBoost. Działa ona jak zespół wielu prostych drzewek decyzyjnych, które uczą się sekwencyjnie, korygując błędy swoich poprzedników. Pojedynczy model nie musi być doskonały, liczy się efekt pracy całej „drużyny”. W tym zestawieniu XGBoost okazał się najbardziej stabilny i wiarygodny.

Selekcja cech kluczem do lepszej diagnostyki

Najważniejszym osiągnięciem pracy nie było jednak samo wskazanie najlepszego algorytmu, lecz pokazanie, jak przygotować dane, by diagnostyka była naprawdę skuteczna. Naukowcy zastosowali algorytm Boruta, znany z bioinformatyki, do wyboru kluczowych cech widma. W praktyce oznaczało to „odszumienie” danych i pozostawienie tylko tych fragmentów widma, które rzeczywiście niosą informację diagnostyczną.

Gdy modele analizowały całe widma, XGBoost osiągał trafność około 81 proc. dla endometriozy jajnikowej, 77 proc. dla jelitowej i 78 proc. dla otrzewnowej. Po selekcji kluczowych cech wyniki wzrosły odpowiednio do 93 proc., 88 proc. i 90 proc. Poprawiła się także równowaga między czułością a swoistością, czyli zdolnością do wykrywania choroby bez generowania nadmiernej liczby fałszywych alarmów. Co istotne, algorytm wskazał różne fragmenty widma jako kluczowe dla poszczególnych lokalizacji zmian, co wspiera tezę, że endometrioza jajnika, jelita i otrzewnej różni się biochemicznie.

Autorzy podkreślają, że połączenie spektroskopii FTIR z odpowiednio dobranymi algorytmami uczenia maszynowego może w przyszłości stać się szybkim i obiektywnym narzędziem wspierającym diagnostykę. Taka metoda mogłaby ograniczyć zależność od inwazyjnej laparoskopii, skrócić czas do rozpoznania choroby oraz pomóc w precyzyjnym różnicowaniu typów zmian, co ma kluczowe znaczenie przy planowaniu leczenia.