Endometrioza to przewlekła choroba zapalna, w której tkanka podobna do błony śluzowej macicy pojawia się poza jej naturalnym miejscem. Schorzenie to prowadzi do bólu, problemów z płodnością i obniżenia jakości życia u wielu kobiet. Niestety, od pojawienia się pierwszych objawów do postawienia diagnozy często mija nawet 7–10 lat. Tradycyjna diagnostyka polega na laparoskopii i badaniu histopatologicznym, co jest procedurą inwazyjną, kosztowną i dostępną nie wszędzie.
Naukowcy z Polski — z ośrodków w Lublinie, Rzeszowie i Krakowie — postanowili sprawdzić, czy nowoczesne metody analizy biochemicznej tkanek, oparte na spektroskopii podczerwieni i sztucznej inteligencji, mogą wspomóc diagnozę i różnicowanie postaci endometriozy.
FTIR — biochemiczny „kod” tkanki
Badacze użyli spektroskopii FTIR (Fourier-transform infrared spectroscopy), która analizuje, jak tkanka pochłania promieniowanie podczerwone. Każdy typ cząsteczek — białka, tłuszcze, cukry czy kwasy nukleinowe — pochłania energię w charakterystyczny sposób. Na tej podstawie powstaje widmo matematyczne, coś jak „kod kreskowy” opisujący skład biochemiczny próbki. Dzięki temu możliwe jest wykrycie subtelnych różnic między tkanką zdrową a chorą — nawet wtedy, gdy tradycyjne obrazy mikroskopowe wyglądają podobnie.
Rola sztucznej inteligencji
Widma FTIR zawierają tysiące danych, które trudno analizować „na oko”. Do rozpoznawania wzorców naukowcy wykorzystali algorytmy uczenia maszynowego — metody, które potrafią uczyć się na podstawie przykładów. W pracy porównano trzy techniki:
- Support Vector Machine (SVM) — klasyczny model, który stara się oddzielić dwie klasy danych jak najlepszą granicą,
- głębokie sieci neuronowe (Deep Learning) — potrafią bardzo dobrze uczyć się z dużych zbiorów danych, ale przy małych ilościach przykładów bywają zawodna,
- XGBoost — metoda oparta na zestawie prostych drzew decyzyjnych, które razem tworzą bardzo skuteczny klasyfikator.
Aby jeszcze poprawić wyniki, zastosowano algorytm Boruta, który wybiera tylko te fragmenty widma, które naprawdę niosą informację diagnostyczną. W praktyce pomaga on usunąć „szum informacyjny” i skupić się na najważniejszych cechach danych.
Wyniki i znaczenie
Modele trenowane na całych widmach dawały umiarkowane wyniki — np. trafność około 81% dla endometriozy jajnikowej, 77% dla jelitowej i 78% dla otrzewnowej. Po zastosowaniu selekcji cech przez Boruta, wyniki znacznie się poprawiły: 93%, 88% i 90%, odpowiednio, przy lepszej równowadze między czułością a swoistością.
Co istotne, analiza widm wykazała, że biochemiczny „odcisk” zmian zależy od ich lokalizacji w organizmie — co wspiera tezę, że różne typy endometriozy mają różne charakterystyki molekularne.
Wpływ na przyszłość diagnostyki
Połączenie spektroskopii FTIR z odpowiednio dobranymi algorytmami uczenia maszynowego może stanowić obiektywne i szybkie wsparcie diagnostyczne. W przyszłości takie podejście może:
- przyspieszyć rozpoznanie choroby,
- zmniejszyć zależność od laparoskoppii,
- pomóc różnicować typy zmian, co jest ważne przy planowaniu leczenia.
Choć metoda wymaga dalszych badań i walidacji klinicznej, to już teraz pokazuje, że biochemiczne i obliczeniowe narzędzia mogą radykalnie poprawić drogi diagnostyczne w ginekologii.
