Jak počítačové vidění zlepšuje výzkum rakoviny

Počítačové vidění je umělá inteligence, která umožňuje algoritmům extrahovat smysluplné informace z videí a obrázků. Výzkumníci rakoviny prozkoumali efektivní způsoby, jak jej použít k prohlížení obrázků, mikroskopických vzorků, lékařských snímků a dalšího. Některé přístupy mohou zkrátit dříve zdlouhavé pracovní postupy, umožňující týmu s omezenými zdroji dosáhnout cílů a zvýšit dopad na pacienty.

Zlepšování znalostí o růstových faktorech nádorů

Po potvrzení přítomnosti a typu rakoviny v biopsiích mohou patologové provést genetické sekvenování RNA molekul ve vzorcích. Poté mohou zjistit, které genetické změny ovlivňují růst nádoru. Tyto informace dále prohlubují cenný výzkum a personalizované zásahy. Nicméně, současné metody jsou nákladné a zdlouhavé, což některé výzkumníky činí ochotnými hledat životaschopné alternativy.

Jeden tým vytvořil nástroj AI který analyzuje standardní mikroskopické obrázky biopsií, aby předpověděl genetickou aktivitu uvnitř nádorových buněk. Trénovali svou inovaci na více než 7 500 vzorcích, zastupujících 16 typů rakoviny a dalších relevantních dat, včetně obrázků zdravých buněk.

Tito výzkumníci priorizovali uživatelskou přívětivost prostřednictvím snadné interpretace, vytvářející svůj AI poháněný program, aby ukázal geneticky související informace jako vizuální mapu biopsie nádoru. To umožňuje uživatelům identifikovat charakteristické variace v konkrétních oblastech. Skupina se také spoléhala na standardní barvicí metodu pro vizualizaci rakovinových buněk a nástroj identifikoval genetické exprese více než 15 000 genů uvnitř barevných obrázků.

Jejich výsledky ukázaly korelaci vyšší než 80 % mezi AI předpovězenou genetickou aktivitou a skutečným chováním. Model obecně fungoval lépe, když dataset vzorků zahrnoval více příkladů konkrétního typu rakoviny.

Experimenty tohoto výzkumného týmu také ukázaly potenciální platnost algoritmu pro přiřazování genomických rizikových skórů pacientům s rakovinou prsu. Skupiny klasifikované jako rizikovější měly více recidiv a kratší dobu mezi nimi.

Lidé použili AI pro další fascinující lékařské pokroky. Jedna inovace může detekovat COVID-19 s přesností až 99 %, představující základní zlepšení veřejného zdraví. Přes působivost těchto možností musí profesionálové doplnit svou práci pouze s nimi. Nahrazování AI prvními zkušenostmi by mohlo snížit pozitivní výsledky u pacientů.

Nalezení nejvhodnějších léčebných postupů

Lidé podstupující zásahy související s rakovinou popisují stres a nepříjemné symptomy spojené s potenciálně suboptimálními řešeními. Ačkoli mnoho jedinců toleruje nevolnost, vypadávání vlasů a další, stávají se méně ochotnými pokračovat, pokud počáteční testy nezobrazují slibné výsledky.

Každý profituje, pokud odborníci na rakovinu identifikují nejlepší pacientsky specifické léčebné postupy dříve. Typický přístup k navrhování léčebných plánů zahrnuje studium CT a MRI snímků s pouze jedním datovým bodem na pixel, reprezentovaným jako odstíny šedi. Některé výzkumníci používají AI k pokroku. Jedna nástroj může prozkoumat až 30 000 detailů na pixel a analyzovat tkáňové vzorky malé jako 400 čtverečních mikrometrů — přibližně šířka pěti lidských vlasů.

Tým použil darované vzorky k hodnocení výsledků. Když se aplikoval na případy rakoviny močového měchýře, AI platforma nalezla specializovanou skupinu buněk, které vytvářejí terciární lymfoidní struktury. Současná znalost naznačuje, že tyto zlepšují reakce pacientů na imunoterapii. Kromě toho, nástroj rozlišoval mezi rakovinovými buňkami a tkáňovou sliznicí u vzorků gastrické rakoviny, pomáhající uživatelům přesněji určit rozsah jejich šíření.

Tito výzkumníci věří, že jejich úsilí by mohlo ukázat lékařům, které léčebné postupy fungují nejlépe pro různé typy rakoviny. Pokud ano, může to také zefektivnit relevantní výzkum tím, že jim pomůže extrahovat více cenných dat z běžných diagnostických obrázků.

Zkracování lhůt pro vývoj léků

Uvedení nových léčiv proti rakovině na trh trvá roky a vyhlídky závisí na úspěšných klinických testech. Výzkumníci v Londýně nedávno vytvořili AI umožněný přístup ke studiu, jak dobře léky dosahují svých cílů. Zaměření na nejúčinnější možnosti by mohlo zlepšit výsledky, přesvědčivě regulátory, aby rozšířily dostupnost produktů.

Skupina použila téměř 100 000 3D mikroskopických obrázků melanomových buněk a geometrické hluboké učící algoritmy analyzovaly jejich tvar. Předchozí úsilí získalo pouze dvourozměrná data z vzorků na mikroskopických sklících, ale tento přístup zkoumá buňky, jak se objevují v tělech. Kromě toho odhaluje, jak mění tvary v důsledku specifických léčeb a ukazuje variabilitu napříč buněčnými populacemi.

Tento nástroj byl přes 99 % přesný při detekci, jak specifické léky ovlivňovaly buňky. Dokonce identifikoval změny tvaru vyvolané léky, které cílí na různé proteiny.

Protože AI odhalila biochemické změny, výzkumníci si myslí, že jejich inovace by mohla zdůraznit konkrétní cíle pro nové léky proti rakovině. Poté by software zkrátil předklinickou lhůtu z tří let na tři měsíce. Související, mohlo by to také zkrátit testy až o šest let, rychleji najít pacienty, kteří by nejvíce profitovali, a identifikovat běžné vedlejší účinky.

Zefektivňování úkolů hodnocení rakoviny

AI již zlepšila úkoly výzkumníků rakoviny, ale většina nástrojů zpracovává pouze jednotlivé části pracovního postupu. To znamená, že zdravotničtí specialisté, kteří chtějí integrovat technologii do své pracovní dny, potřebují naučit se používat několik produktů. Nicméně, některé skupiny chtějí vybudovat víceúčelová řešení, aby zvýšily uživatelskou přívětivost.

Jedna skupina vytvořila model podobný ChatGPT. Použili ho pro mnoho hodnoticích procesů spojených s 19 typy rakoviny, ukazujících jeho všestrannost. Konkrétněji, urychlil úkoly hodnocení pro vylepšenou detekci, prognózu a reakce na léčbu. Vývojáři také věří, že jejich inovace je první, která předpovídá a ověřuje výsledky napříč několika mezinárodními pacientskými skupinami.

AI model čte digitální sklíčka obsahující nádorové vzorky, analyzuje molekulární profily a nachází rakovinové buňky. Také prozkoumal tkáně obklopující růsty, které ukazují, jak dobře pacienti reagovali na standardní léčby nebo ukazují výzkumníkům, které jsou méně účinné. Experimenty naznačily, že je přesnější než目前 dostupné produkty. Kromě toho, spojil konkrétní charakteristiky nádorů se zvýšenou mírou přežití pacientů, potenciálně odemykající nové oblasti výzkumu.

Výzkumníci trénovali model na 15 milionech nelabelovaných obrázků rozdělených do částí podle oblastí zájmu. Pozdější krok vystavil algoritmy 60 000 celých sklíček reprezentujících 19 typů rakoviny. Tento přístup učil AI, aby vyhodnotil celý obrázek pro komplexní výsledky.

Poté, skupina otestovala svůj nástroj na 19 400 celých sklíček nalezených v 32 nezávislých datech. Protože tyto informace pocházejí z 24 globálně umístěných pacientských kohort a nemocnic, poskytuje přesný vzorek reálných podmínek.

Zvýšení hodnoty biomedicínských mikroskopických obrázků

Výzkumníci rakoviny používají biomedicínské mikroskopické obrázky, aby dále rozvinuli svou práci, ale stávající pracovní postupy trvají dny, aby prozkoumali tato data. Jedna skupina vyvinula novou počítačovou vidění techniku, aby učinila tyto základní úkoly efektivnější. Používá strojové učení k analýze vzorků a nalezení sdílených charakteristik mezi rakovinovými tumory.

Nástroj efektivně získá výsledky prozkoumáním více oblastí individuálního růstu a vnímáním je jako celek. Jiné produkty, které analyzují biomedicínské mikroskopické obrázky, dělí velké tumory na menší části a zacházejí s nimi jako s samostatnými vzorky. Nicméně, tyto obrázky mohou obsahovat až 1 miliardu pixelů, takže jsou časově náročné na studium.

Vývojáři si představují, že klinici by mohli učinit téměř okamžité diagnózy z obrázků tumorů. Poté by tyto informace předali chirurgům, kteří provádějí operace k extrakci rakovinových tkání, umožňujícím jim používat nejaktuálnější poznatky.

Testy, které srovnávaly tento nástroj s nejlepšími technikami analýzy obrázků, ukázaly, že je téměř o 4 % lepší a dosáhl téměř 88 % přesnosti v některých případech. Výzkumníci také zdůraznili, že uživatelé by mohli aplikovat jej na jakýkoli typ tumoru a mikroskopickou metodu, čímž by se stal široce použitelným.

Tlačící výzkum rakoviny dopředu s počítačovým viděním

AI poháněné počítačové vidění může zvýšit produkci výzkumníků rakoviny, maximalizujících jejich vědecké a pacientsky související výsledky. Tyto příklady ilustrují bohatý potenciál, ale profesionálové, kteří chtějí aplikovat tuto technologii, by měli tak činit, aby doplnili získané zkušenosti a nebrali inovace jako nezfalšovatelné.