Hvordan Computer Vision Forbedrer Kræftforskning

Computer vision er kunstig intelligens, der giver algoritmer mulighed for at udtrække meningsfuld information fra videoer og billeder. Kræftforskere har undersøgt effektive måder at bruge det til at undersøge billeder, mikroskopiske prøver, medicinske scanninger og mere. Nogle tilgange kan forkorte tidligere besværlige arbejdsprocesser, således at ressourcestærke hold kan opnå mål og forhøje patientresultater.

Forbedring af Viden om Tumorvækst

Efter at have bekræftet tilstedeværelsen og typen af kræft i biopsier, kan patologer udføre genetisk sekventering af RNA-molekylerne i prøverne. Derefter kan de finde ud af, hvilke genetiske ændringer påvirker tumorernes vækst. Denne information fremmer værdifuld forskning og personlige indgreb. Men nuværende metoders dyrt og længevarende processer efterlader nogle forskere ivrige efter brugbare alternativer.

Et hold byggede et AI-værktøj der analyserer standard mikroskopi billeder af biopsier for at forudsige den genetiske aktivitet inden for tumorceller. De trænede deres innovation på over 7.500 prøver, der repræsenterer 16 kræfttyper og andre relevante datasæt, herunder billeder af sunde celler.

Disse forskere prioriterede brugervenlighed gennem let fortolkning, og skabte deres AI-drevne program til at vise den genrelaterede information som en visuel tumorbiopsi-kort. Denne beslutning giver brugerne mulighed for at identificere karakteristiske variationer i bestemte områder. Gruppen brugte også en standard farvemetode til at visualisere kræftceller, og værktøjet identificerede de genetiske udtryk af mere end 15.000 gener inden for de farvede billeder.

Deres resultater viste en korrelation på over 80% mellem den AI-forudsagte genetiske aktivitet og den faktiske adfærd. Modellen udførte generelt bedre, når datasættet indeholdt flere eksempler på en bestemt kræfttype.

Forskningsgruppens eksperimenter viste også algoritmens potentielle gyldighed for at tildele genetiske risikoskorer til patienter med brystkræft. Parter, der blev klassificeret som mere risikable, havde flere tilbagefald og kortere perioder mellem dem.

Mennesker har brugt AI til andre fascinerende medicinske fremskridt. En udvikling kan détectere COVID-19 med op til 99% nøjagtighed, og viser en essentiel offentlig sundhedsforbedring. Trods disse muligheders imponerende karakter, skal fagfolk kun supplere deres arbejde med dem. At lade AI erstatte førstehånds-erfaring kan reducere positive patientresultater.

Findelse af de Mest Passende Behandlinger

Personer, der gennemgår kræftrelaterede indgreb, beskriver stress og ubehagelige symptomer forbundet med potentelt underoptimal løsninger. Selvom mange individer tåler kvalme, hårtab og mere, bliver de mindre villige til at fortsætte, hvis tidlige tests ikke viser lovende resultater.

Alle har gavn af, at kræftspecialister identificerer de bedste patient-specifikke behandlinger tidligere. Den typiske tilgang til at designe behandlingsplaner indebærer at studere CT- og MRI-scanninger med kun ét datapunkt per pixel, repræsenteret som skygge-toner. Nogle forskere bruger AI til at gøre fremskridt. Et værktøj kan undersøge op til 30.000 detaljer per pixel og analysere vævsprøver så små som 400 kvadratmikrometer — omtrent bredde på fem menneskehår.

Holdet brugte donerede prøver til at vurderere resultaterne. Når det blev anvendt på blærekrafttilfælde, fandt AI-platformen en specialiseret cellegruppe, der skaber tertiære lymfoid-strukturer. Nuverende viden antyder, at disse forbedrer patienternes immunterapi-responser. Derudover differentierede værktøjet mellem kræftceller og slimhinde i mavekræftprøver, hvilket hjalp brugerne til mere præcist at bestemme omfanget af deres spredning.

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

Forkortelse af Lægemiddeludviklingstider

At gøre nye kræftbehandlinger kommercielt tilgængelige tager år, og udsigterne afhænger af succesfulde kliniske forsøg. Forskere i London skabte nyligt en AI-aktiveret tilgang til at studere, hvor godt lægemidler når deres mål. Fokus på de mest effektive muligheder kan forbedre resultaterne, og overbevise regulatorer om at udvide produkttilgængelighed.

Gruppen brugte næsten 100.000 3D-mikroskopi-billeder af melanomceller, og geometrisk dyb læring analyserede deres form. Tidligere bestræbelser fik kun to-dimensionelle data fra prøver på mikroskopeglas, men denne tilgang undersøger celler, som de optræder i kroppen. Derudover afslører den, hvordan de ændrer form på grund af bestemte behandlinger, og viser variationer på tværs af cellulære populationer.

Dette værktøj var mere end 99% nøjagtigt i at détectere, hvordan bestemte lægemidler påvirkede cellerne. Det identificerede endda formændringer udløst af lægemidler, der målrettede forskellige proteiner.

Fordi AI afslørede biokemiske ændringer, mener forskerne, at deres innovation kan højligte bestemte mål at fokusere på med nye kræftmediciner. Derefter ville softwaren forkorte den prækliniske tidsramme fra tre år til tre måneder. Relateret til dette kunne det reducere forsøgene med op til seks år, og hurtigere finde patienterne, der er mest sandsynligt at have gavn af det, og pege på de almindelige bivirkninger.

Strømlining af Kræftevalueringopgaver

AI har allerede forbedret kræftforskernes opgaver, men de fleste værktøjer kan kun håndtere enkelte dele af arbejdsprocessen. Det betyder, at medicinske specialister, der er interesseret i at integrere teknologien i deres arbejdsdag, skal lære at bruge flere produkter. Imidlertid ønsker nogle grupper at bygge flerformålsløsninger for at øge brugervenligheden.

En gruppe byggede en model lignende ChatGPT. De brugte den til flere evaluative processer forbundet med 19 kræfttyper, og viste dets fleksibilitet. Mere specifikt accelererede det evalueringopgaverne for forbedret détektion, prognose og behandlingsresponser. Udviklerne mener også, at deres innovation er den første til at forudsige og validere resultater på tværs af flere internationale patientgrupper.

AI-modellen læser digitale glas, der indeholder tumorprøver, analyserer de molekylære profiler og finder kræftceller. Den undersøgte også væv omkring kræftknuder, som indikerer, hvordan patienterne har reageret på standardbehandlinger eller viser forskerne, hvilke behandlinger, der er mindre effektive. Eksperimenter antydede, at det var mere nøjagtigt end nuværende produkter. Derudover forbundt det bestemte tumor-karakteristika med forhøjet patientoverlevelse for første gang, og åbnede potentielt nye forskningsområder.

Forskerne trænede modellen på 15 millioner ulabelde billeder, opdelt i stykker afhængigt af interesseområder. En senere fase udsatte algoritmerne for 60.000 hele-glas-eksempler, der repræsenterer de 19 kræfttyper. Denne tilgang lærte AI at vurderer hele billeder for at opnå grundige resultater.

Derefter testede gruppen deres værktøj på 19.400 hele-glas-billeder fundet i 32 uafhængige datasæt. Fordi denne information kom fra 24 globale patientkohorter og hospitaler, giver det en præcis prøve på reelle forhold.

Forbedring af Værdien af Biomedicinske Mikroskopi-billeder

Kræftforskere bruger biomedicinske mikroskopi-billeder til at fremme deres arbejde, men eksisterende arbejdsprocesser tager dage til at undersøge disse data. En gruppe udviklede en ny computer vision-teknik til at gøre disse essentielle opgaver mere effektive. Den bruger maskinlæring til at analysere prøver og finde fælles karakteristika blandt kræfttumorer.

Værktøjet opnår resultater effektivt ved at undersøge flere områder af enkeltvækst og opfatte dem som en helhed. Andre produkter, der analyserer biomedicinske mikroskopi-billeder, dividerer store tumorer i mindre stykker og behandler stykkerne som separate prøver. Imidlertid kan disse billeder indeholde op til 1 milliard pixels, hvilket gør dem tidskrævende at studere.

Udviklerne forestiller sig, at kliniske læger kan foretage næsten øjeblikkelige diagnoser fra tumor-billeder. Derefter kan disse fagfolk give informationen til kirurger, der udfører operationer til at fjerne kræftvæv, og tillade dem at bruge de mest aktuelle indsigt.

Tests, der sammenlignede dette værktøj med de bedst-performerende billedanalyseteknikker, viste, at det var næsten 4% bedre og opnåede næsten 88% nøjagtighed i visse tilfælde. Forskerne understregede også, at brugere kunne anvende det til enhver tumor-type og mikroskopi-metode, hvilket gør det bredt anvendeligt.

Skubning af Kræftforskning Fremad med Computer Vision

AI-drevet computer vision kan forbedre kræftforskernes output, maksimerer deres videnskabelige og patientrelaterede resultater. Disse eksempler illustrerer det overvældende potentiale, men fagfolk, der er interesseret i at anvende teknologien, skal gøre det for at supplere deres erhvervede ekspertise og ikke behandle innovationer som fejlfrie.