Incidenta patologilor gastrointestinale de natura oncologica este corelata cu avansarea in vârsta, iar pana la nivelul anului 2050 se preconizează o dublare a populației cu vârsta >60 ani la nivel global. Aceasta situație va fi in mod evident acompaniata de o creștere semnificativa a cazurilor de cancer gastric, o patologie care la acest moment se regăsește pe locul patru in topul mondial al cauzelor de deces asociate cancerelor. La momentul actual, in Europa rata de supraviețuire asociata acestei boli nu depășește 30% la 5 ani după emiterea diagnosticului, având in vedere faptul ca diagnosticul este de obicei stabilit in stadii avansate ale bolii. Pentru a adresa aceste situații este nevoie de noi instrumente si metode care sa poată îmbunătăți eficienta celor trei pași esențiali in diagnosticul cancerelor gastrice: detecție, caracterizare si confirmare. Obiectivul principal al proiectului GASTRODEEP a constat in dezvoltarea unor metode de diagnostic automat al cancerelor gastrice bazate pe tehnici de microscopie optica neliniara (NLO) si inteligenta artificiala.
Tehnicile de microscopie bazate pe efecte optice neliniare se prefigurează in acest moment ca soluții viabile pentru a înlocui pe viitor metodele actuale de diagnostic ale cancerelor gastrice, având in vedere potențialul acestora de a preleva intra-un mod non-invaziv imagini ce reflecta nu doar morfologia țesuturilor cat si compoziția biochimica a acestora. Printre acestea microscopia bazata pe generarea armonicii a doua (SHG), una dintre tehnicile adresate in proiect, permite imagistica diferențiata a colagenului, o trăsătura deosebit de utila având in vedere faptul ca arhitectura rețelei de colagen din țesuturi se modifica in mod specific pe parcursul progresiei patologilor din sfera cancerelor. O problema importanta ce apare însă in raport cu utilizarea acestor tehnici consta in faptul ca interpretarea imaginilor puse la dispoziție are un grad de dificultate ridicat pentru medicii experți, aceștia fiind specializați in analiza imaginilor de histopatologie prelevate prin metode convenționale, bazate pe microscopia in câmp luminos a probelor de țesut marcate cu agenți de contrast. Proiectul GASTRODEEP si-a propus sa contribuie la rezolvarea acestei situații, prin dezvoltarea unor metode de caracterizare si diagnostic a țesuturilor gastrointestinale utilizând puterea si versatilitatea rețelelor neuronale convoluționale in vederea analizei automate a datelor achiziționate prin tehnici de microscopie NLO. In vederea atingerii acestui obiectiv s-au proiectat si achiziționat seturi de date de antrenament utile in dezvoltarea unor metode Deep Learning de noua generație pentru analiza automata a imaginilor NLO. Totodată, s-au elaborat mecanisme de antrenament hibrid al retelor neuronale convolutionale utilizând date optice complementare, si metode inovative de augmentare a datelor NLO in vederea compensării disponibilității limitate a acestora. Metoda de caracterizare dezvoltata are o utilitate multipla, putând fi utilizata in raport cu: (i) probe de tesut prelevate prin biopsie si fixate prin procedee utilizate in mod tradițional in histopatologie; (ii) probe de țesut proaspete, in vederea diagnosticului rapid, in timpul intervențiilor endo/gastroscopice; (iii) tesuturi in-vivo din cadrul sistemului gastrointestinal, accesibile in timp real unor potențiale viitoare sisteme de tomografie optica neliniara proiectate și miniaturizate pentru imagistica endo/gastroscopica intravitala. Totodată, proiectul GASTRODEEP a contribuit la finalizarea unor arhitecturi optice de ultima generație, care fac posibila achiziționarea datelor NLO cu rezoluție semnificativ superioara sistemelor convenționale limitate de difracție. Ansamblul rezultatelor obținute au condus la consolidarea colaborării existente dintre Universitatea Politehnica București si Universitatea de Medicina si Farmacie “Carol Davila”, cu perspective in vederea adaptării metodei dezvoltate in acest proiect pentru a adresa alte patologii de interes ridicat.
