Hvordan computersyn forbedrer kræftforskning

Computervision er kunstig intelligens, der gør det muligt for algoritmer at udtrække meningsfuld information fra videoer og billeder. Kræftforskere har udforsket effektive måder at bruge den til at undersøge billeder, mikroskopiske prøver, medicinske scanninger og mere. Nogle tilgange kan forkorte tidligere besværlige arbejdsgange, så ressourcebelastede teams kan nå mål og øge patientindflydelsen.

Forbedring af viden om tumorvækstfaktorer

Efter at have bekræftet tilstedeværelsen og typen af kræft i biopsier, kan patologer udføre genetisk sekventering på RNA-molekylerne i prøverne. Derefter kan de finde ud af, hvilke genomiske ændringer der påvirker tumorens vækst. Disse oplysninger fremmer værdifuld forskning og personlige interventioner. Imidlertid gør de nuværende metoders omkostninger og langvarige processer nogle forskere ivrige efter at finde levedygtige alternativer.

Et hold byggede et AI-værktøj der analyserer standardmikroskopibilleder af biopsier for at forudsige den genetiske aktivitet i tumorceller. De anvendte deres innovation på over 7,500 prøver, der repræsenterede 16 kræfttyper og andre relevante datasæt, herunder billeder af raske celler.

Disse forskere prioriterede brugervenlighed gennem nem fortolkning og skabte deres AI-drevne program, der viser den genrelaterede information som et visuelt tumorbiopsikort. Denne beslutning giver brugerne mulighed for at identificere karakteristiske variationer i specifikke områder. Gruppen benyttede sig også af en standardfarvningsmetode til at visualisere kræftceller, og værktøjet identificerede de genetiske udtryk for mere end 15,000 gener i de farvede billeder.

Deres resultater indikerede en korrelation på over 80 % mellem den AI-forudsagte genetiske aktivitet og faktisk adfærd. Modellen klarede sig generelt bedre, når stikprøvedatasættet inkluderede flere eksempler på en specifik kræfttype.

Dette forskerholds eksperimenter viste også algoritmens potentielle validitet til at tildele genomiske risikoscorer til patienter med brystkræft. Parter kategoriseret som mere risikable havde flere tilbagefald og kortere varigheder mellem dem.

Folk har brugt kunstig intelligens til andre fascinerende medicinske fremskridt. Én udvikling kan opdage COVID-19 med op til 99 % nøjagtighed, hvilket viser en væsentlig forbedring af folkesundheden. Trods disse imponerende muligheder skal fagfolk kun supplere deres arbejde med dem. At lade AI erstatte førstehåndserfaringer kan reducere positive patientresultater.

At finde de mest passende behandlinger

Personer, der gennemgår kræftrelaterede interventioner, beskriver stress og ubehagelige symptomer forbundet med potentielt suboptimale løsninger. Selvom mange personer tolererer kvalme, hårtab og mere, bliver de mindre tilbøjelige til at fortsætte, hvis tidlige tests ikke viser lovende resultater.

Alle drager fordel af, at kræftspecialister identificerer de bedste patientspecifikke behandlinger hurtigere. Den typiske tilgang til at designe plejeplaner involverer at studere CT- og MR-scanninger med kun ét datapunkt pr. pixel, repræsenteret som gråtoner. Nogle forskere bruger kunstig intelligens til at gøre fremskridt. Ét værktøj kan undersøge op til 30,000 detaljer pr. pixel og analysere vævsprøver så små som 400 kvadratmikrometer – omtrent bredden af fem menneskehår.

Holdet brugte donerede prøver til at vurdere resultaterne. Når AI-platformen blev anvendt på blærekræfttilfælde, fandt den en specialiseret cellegruppe, der skaber tertiære lymfoide strukturer. Nuværende viden tyder på, at disse forbedrer patienters immunterapirespons. Derudover differentierede værktøjet mellem kræftceller og slimhindevæv i mavekræftprøver, hvilket hjalp brugerne med mere præcist at fastslå omfanget af deres spredning.

Disse forskere mener, at deres indsats kan vise læger, hvilke behandlinger der virker bedst for forskellige kræftformer. Hvis det er tilfældet, kan det også strømline relevant forskning ved at hjælpe dem med at udtrække mere værdifulde data fra almindelige diagnostiske billeder.

Forkortelse af tidsfrister for lægemiddeludvikling

Det tager år at gøre nye kræftbehandlinger kommercielt tilgængelige, og udsigterne afhænger af succesfulde kliniske forsøg. Forskere i London for nylig har skabt en AI-aktiveret tilgang at undersøge, hvor godt lægemidler når deres mål. Fokus på de mest effektive muligheder kan forbedre resultaterne og overbevise regulatorer om at udvide produkttilgængeligheden.

Gruppen brugte næsten 100,000 3D-mikroskopibilleder af melanomceller, og geometriske deep learning-algoritmer analyserede deres form. Tidligere forsøg har kun opnået todimensionelle data fra prøver på objektglas, men denne tilgang undersøger celler, som de fremstår i kroppe. Desuden afslører den, hvordan de ændrer form på grund af specifikke behandlinger, og viser variation på tværs af cellepopulationer.

Dette værktøj var mere end 99% nøjagtigt til at detektere, hvordan specifikke lægemidler påvirkede cellerne. Det identificerede endda formændringer udløst af dem, der var rettet mod forskellige proteiner.

Fordi AI'en afslørede biokemiske ændringer, mener forskerne, at deres innovation kan fremhæve bestemte mål, der skal understreges med nye kræftmediciner. Derefter ville softwaren reducere den prækliniske tidsramme fra tre år til tre måneder. I lighed hermed kunne den reducere forsøg med op til seks år, hvilket hurtigere finder de patienter, der mest sandsynligt vil drage fordel af behandlingen, og identificerer de almindelige bivirkninger.

Strømlining af kræftevalueringsopgaver

AI har allerede forbedret kræftforskeres opgaver, men de fleste værktøjer håndterer kun individuelle dele af arbejdsgangen. Det betyder, at medicinske specialister, der er interesserede i at integrere teknologien i deres arbejdsdag, skal lære at bruge flere produkter. Nogle grupper ønsker dog at bygge multifunktionelle løsninger for at øge brugervenligheden.

En af dem byggede en model, der lignede ChatGPT. De brugte den til flere evalueringsprocesser knyttet til 19 kræfttyper, hvilket viser dens alsidighed. Mere specifikt fremskyndede den evalueringsopgaver for forbedret detektion, prognose og behandlingsrespons. Udviklerne mener også, at deres innovation er den første til at forudsige og validerer resultater på tværs af flere internationale patientgrupper.

AI-modellen læser digitale dias, der indeholder tumorprøver, analyserer de molekylære profiler og finder kræftceller. Den undersøgte også vævet omkring vækster, hvilket indikerer, hvor godt patienter har reageret på standardbehandlinger eller viser forskere, hvilke behandlinger der er mindre effektive. Eksperimenter tydede på, at den var mere præcis end de nuværende tilgængelige produkter. Derudover forbandt den for første gang bestemte tumorkarakteristika med øgede patienters overlevelsesrater, hvilket potentielt åbner op for nye forskningsområder.

Forskerne trænede modellen på 15 millioner umærkede billeder opdelt i bidder afhængigt af interesseområder. I et senere trin eksponerede algoritmerne for 60,000 eksempler på hele slides, der repræsenterede de 19 kræfttyper. Denne tilgang lærte AI'en at vurdere hele billeder for at opnå grundige resultater.

Derefter testede gruppen deres værktøj på 19,400 helbilleder fra 32 uafhængige datasæt. Fordi disse oplysninger kom fra 24 globalt placeret patientkohorter og hospitaler, giver det en præcis stikprøve af virkelige forhold.

Forbedring af værdien af biomedicinske mikroskopibilleder

Kræftforskere bruger biomedicinske mikroskopibilleder til at fremme deres arbejde, men eksisterende arbejdsgange tager dage at undersøge disse data. Et hold udviklede en ny computervisionsteknik for at gøre disse essentielle opgaver mere effektive. Den bruger maskinlæring til at analysere prøver og finde fælles karakteristika blandt kræfttumorer.

Værktøjet opnår effektivt resultater ved at undersøge flere områder af individuel vækst og opfatte dem som en helhed. Andre produkter, der analyserer biomedicinske mikroskopibilleder, opdeler store tumorer i mindre områder og behandler delene som separate prøver. Disse billeder kan dog indeholde op til 1 milliard pixels, så de er tidskrævende at studere.

Udviklerne forestiller sig, at klinikere kan stille næsten øjeblikkelige diagnoser ud fra tumorbilleder. Derefter vil disse fagfolk videregive informationen til kirurger, der udfører operationer for at udvinde kræftvæv, så de kan bruge den nyeste viden.

Test, der sammenlignede dette værktøj med de bedst ydende baseline billedanalyseteknikker, viste, at det var næsten 4 % bedre og opnåede næsten 88 % nøjagtighed i nogle tilfælde. Forskerne understregede også, at brugerne kunne anvende det på enhver tumortype og mikroskopimetode, hvilket gjorde det bredt anvendeligt.

Fremskridt med computervision i kræftforskningen

AI-drevet computervision kan øge kræftforskeres output og maksimere deres videnskabelige og patientrelaterede resultater. Disse eksempler illustrerer det store potentiale, men fagfolk, der er interesserede i at anvende teknologien, bør gøre det for at øge den erhvervede ekspertise og ikke behandle innovationer som idiotsikre.