Ακόμα και οι ειδικοί μπορούν να ξεγελαστούν από το μελάνωμα. Οι άνθρωποι με αυτόν τον τύπο καρκίνου του δέρματος έχουν συχνά αλλαγές στην εμφάνιση του δέρματός τους, που τείνουν να έχουν ακανόνιστο σχήμα και χρώμα, και μπορεί να είναι δύσκολο να γίνει η διάκριση από τους καλοήθεις όγκους, καθιστώντας τη νόσο δύσκολα να εντοπιστεί.
Τώρα, οι ερευνητές από το Πανεπιστήμιο Rockefeller έχουν αναπτύξει μια αυτοματοποιημένη τεχνολογία που συνδυάζει απεικόνιση με ψηφιακή ανάλυση και μηχανική μάθηση για να βοηθήσει τους γιατρούς να ανιχνεύσουν το μελάνωμα σε πρώιμο στάδιο. «Υπάρχει μια πραγματική ανάγκη για τυποποίηση σε όλο το πεδίο της δερματολογίας στο πώς αξιολογούνται τα μελανώματα,” λέει ο JamesKrueger, D. MartinCarter καθηγητής στην Κλινική Έρευνα και επικεφαλής του Εργαστηρίου Ερευνητικής Δερματολογίας. «Η ανίχνευση μέσω του προσυμπτωματικού ελέγχου σώζει ζωές, αλλά είναι πολύ δύσκολη οπτικά, ακόμα και όταν μια ύποπτη βλάβη εξάγεται και με βιοψία, επιβεβαιώνεται ότι είναι μελάνωμα μόνο σε περίπου 10% των περιπτώσεων».
Στη νέα προσέγγιση, οι εικόνες των αλλοιώσεων σε επεξεργασία από μια σειρά προγραμμάτων υπολογιστών εξάγουν πληροφορίες σχετικά με τον αριθμό των χρωμάτων που υπάρχουν σε ανάπτυξη και άλλα ποσοτικά δεδομένα. Η ανάλυση δημιουργεί μια συνολική βαθμολόγηση του κινδύνου, που ονομάζεται Q-βαθμολογία, η οποία υποδεικνύει την πιθανότητα ότι η ανάπτυξη θα είναι καρκινική.
Η εν λόγω ανακάλυψη δημοσιεύθηκε στο περιοδικό Πειραματικής Δερματολογίας. Μια πρόσφατη μελέτη που αξιολογεί τη χρησιμότητα του εργαλείου δείχνει ότι η Q-βαθμολογία αποδίδει 98% ευαισθησία, που σημαίνει ότι είναι πολύ πιθανό να προσδιορίσει εγκαίρως τα μελανώματα στο δέρμα. Η ικανότητα του τεστ να διαγνώσει σωστά τις κανονικές κρεατοελιές ήταν 36%, πλησιάζοντας τα επίπεδα που επιτυγχάνονται από τους δερματολόγους – εμπειρογνώμονες, οι οποίοι εξετάζουν στο μικροσκόπιο ύποπτες κρεατοελιές. «Η επιτυχία της Q-βαθμολογίας στην πρόβλεψη μελανώματος αποτελεί μια σημαντική βελτίωση σε σχέση με τις ανταγωνιστικές τεχνολογίες», λέει ο DanielGareau, πρώτος συγγραφέας της έκθεσης και εκπαιδευτής στην κλινική έρευνα στο εργαστήριο Krueger.
Οι ερευνητές ανέπτυξαν αυτό το εργαλείο με 60 φωτογραφίες από τα καρκινικά μελανώματα και μια ισοδύναμη παρτίδα φωτογραφιών από καλοήθεις όγκους σε προγράμματα επεξεργασίας εικόνας. Ανέπτυξαν απεικόνιση με βιοδείκτες και ποσοτικοποίησαν με ακρίβεια τα οπτικά χαρακτηριστικά των νεοπλασιών. Χρησιμοποιώντας υπολογιστικές μεθόδους, που παράγουν ένα σύνολο ποσοτικών μετρήσεων που διέφεραν μεταξύ των δύο ομάδων των εικόνων-ουσιαστικά εντόπισαν τι οπτικές πτυχές των βλαβών που είχαν μεγαλύτερη σημασία από την άποψη της κακοήθειας, και έδωσαν σε κάθε βιοδείκτη τη βαθμολογία της κακοήθειας.
Με το συνδυασμό των δεδομένων από κάθε βιοδείκτη, υπολόγισαν τη συνολική Q-βαθμολογία για κάθε εικόνα, μια τιμή μεταξύ μηδέν και ένα, στην οποία ένας μεγαλύτερος αριθμός υποδεικνύει μεγαλύτερη πιθανότητα μιας βλάβης να είναι καρκινική. «Νομίζω ότι αυτή η τεχνολογία θα μπορούσε να βοηθήσει στον εντοπισμό της νόσου νωρίτερα, πράγμα που θα μπορούσε να σώσει ζωές, και να αποφεύγονται οι περιττές βιοψίες», επισήμανε ο Gareau.