Wie Computer Vision die Krebsforschung verbessert

Computer Vision ist künstliche Intelligenz, die es Algorithmen ermöglicht, aus Videos und Bildern aussagekräftige Informationen zu extrahieren. Krebsforscher haben effektive Möglichkeiten erforscht, diese Technologie zur Untersuchung von Bildern, mikroskopischen Proben, medizinischen Scans und mehr einzusetzen. Einige Ansätze können bisher mühsame Arbeitsabläufe verkürzen und es so auch ressourcenschwachen Teams ermöglichen, ihre Ziele zu erreichen und die Patientenversorgung zu verbessern.

Verbessertes Wissen über die Treiber des Tumorwachstums

Nachdem das Vorhandensein und die Art des Krebses in Biopsien bestätigt wurden, können Pathologen die RNA-Moleküle in den Proben genetisch sequenzieren. So können sie herausfinden, welche genomischen Veränderungen das Tumorwachstum beeinflussen. Diese Informationen fördern wertvolle Forschung und personalisierte Interventionen. Die Kosten und die langwierigen Prozesse der derzeitigen Methoden lassen einige Forscher jedoch nach praktikablen Alternativen suchen.

Ein Team hat ein KI-Tool entwickelt das Standardmikroskopiebilder analysiert von Biopsien, um die genetische Aktivität in Tumorzellen vorherzusagen. Sie trainierten ihre Innovation an über 7,500 Proben von 16 Krebsarten und anderen relevanten Datensätzen, darunter auch Bilder gesunder Zellen.

Die Forscher legten Wert auf Benutzerfreundlichkeit und einfache Interpretierbarkeit und entwickelten ein KI-gestütztes Programm, das die genbezogenen Informationen als visuelle Tumorbiopsiekarte darstellt. Dadurch können Nutzer markante Variationen in bestimmten Bereichen erkennen. Die Gruppe nutzte außerdem eine Standardfärbemethode zur Visualisierung von Krebszellen. Das Tool identifizierte die genetischen Expressionen von mehr als 15,000 Genen in den gefärbten Bildern.

Ihre Ergebnisse zeigten eine Korrelation von über 80 Prozent zwischen der von der KI vorhergesagten genetischen Aktivität und dem tatsächlichen Verhalten. Das Modell schnitt im Allgemeinen besser ab, wenn der Stichprobendatensatz mehr Beispiele einer bestimmten Krebsart enthielt.

Die Experimente des Forschungsteams zeigten auch die potenzielle Validität des Algorithmus für die Zuordnung genomischer Risikowerte zu Brustkrebspatientinnen. Bei den als risikoreicher eingestuften Gruppen kam es häufiger zu Rückfällen und die Dauer der Rückfälle war kürzer.

KI wurde bereits für andere faszinierende medizinische Fortschritte genutzt. Eine Entwicklung kann COVID-19 erkennen mit bis zu 99 % Genauigkeit, was eine wesentliche Verbesserung der öffentlichen Gesundheit darstellt. Trotz der beeindruckenden Möglichkeiten dürfen Fachleute ihre Arbeit damit nur ergänzen. Wenn KI die Erfahrungen aus erster Hand ersetzt, könnte dies zu positiven Patientenergebnissen führen.

Die am besten geeigneten Behandlungen finden

Menschen, die sich einer Krebsbehandlung unterziehen, berichten detailliert über den Stress und die unangenehmen Symptome, die mit möglicherweise nicht optimalen Lösungen einhergehen. Obwohl viele Betroffene Übelkeit, Haarausfall und andere Beschwerden tolerieren, sind sie weniger bereit, die Behandlung fortzusetzen, wenn frühe Tests keine vielversprechenden Ergebnisse zeigen.

Jeder profitiert, wenn Krebsspezialisten die besten patientenspezifischen Behandlungen schneller identifizieren. Der typische Ansatz zur Erstellung von Behandlungsplänen besteht darin, CT- und MRT-Scans mit nur einem Datenpunkt pro Pixel zu untersuchen, der als Graustufen dargestellt wird. Einige Forscher nutzen KI, um Fortschritte zu erzielen. Ein Werkzeug kann bis zu 30,000 Details untersuchen pro Pixel und analysieren Gewebeproben mit einer Größe von nur 400 Quadratmikrometern – etwa der Breite von fünf menschlichen Haaren.

Das Team nutzte gespendete Proben, um die Ergebnisse zu bewerten. Bei der Anwendung auf Blasenkrebsfälle fand die KI-Plattform eine spezialisierte Zellgruppe, die tertiäre lymphatische Strukturen bildet. Aktuelle Erkenntnisse deuten darauf hin, dass diese die Immuntherapiereaktion der Patienten verbessern. Darüber hinaus differenzierte das Tool in Magenkrebsproben zwischen Krebszellen und Schleimhautgewebe und half den Nutzern, das Ausmaß ihrer Ausbreitung genauer zu bestimmen.

Die Forscher sind überzeugt, dass ihre Arbeit Ärzten zeigen könnte, welche Behandlungen bei verschiedenen Krebsarten am besten wirken. Dies könnte auch die relevante Forschung vereinfachen, da aus gängigen diagnostischen Bildern wertvollere Daten gewonnen werden können.

Verkürzung der Zeitpläne für die Arzneimittelentwicklung

Bis neue Krebstherapien kommerziell verfügbar sind, dauert es Jahre, und die Aussichten hängen von erfolgreichen klinischen Studien ab. Forscher in London hat kürzlich einen KI-gestützten Ansatz entwickelt um zu untersuchen, wie gut Medikamente ihre Ziele erreichen. Die Konzentration auf die wirksamsten Optionen könnte die Ergebnisse verbessern und die Regulierungsbehörden davon überzeugen, die Produktverfügbarkeit zu erweitern.

Die Gruppe verwendete fast 100,000 3D-Mikroskopiebilder von Melanomzellen und analysierte deren Form mithilfe geometrischer Deep-Learning-Algorithmen. Frühere Versuche lieferten lediglich zweidimensionale Daten von Proben auf Mikroskopobjektträgern. Dieser Ansatz untersucht Zellen jedoch so, wie sie im Körper vorkommen. Darüber hinaus zeigt er, wie sie durch bestimmte Behandlungen ihre Form verändern und zeigt die Variabilität innerhalb von Zellpopulationen.

Dieses Tool konnte mit einer Genauigkeit von über 99 % feststellen, wie bestimmte Medikamente die Zellen beeinflussten. Es konnte sogar Formänderungen identifizieren, die durch Medikamente ausgelöst wurden, die auf unterschiedliche Proteine abzielten.

Da die KI biochemische Veränderungen aufdeckte, glauben die Forscher, dass ihre Innovation bestimmte Angriffspunkte für neue Krebsmedikamente aufzeigen könnte. Die Software könnte dann den präklinischen Zeitraum von drei Jahren auf drei Monate verkürzen. Damit einhergehend könnten Studien um bis zu sechs Jahre verkürzt werden, da schneller die Patienten gefunden werden könnten, die am wahrscheinlichsten davon profitieren, und die häufigsten Nebenwirkungen identifiziert werden könnten.

Rationalisierung der Aufgaben der Krebsbewertung

KI hat die Arbeit von Krebsforschern bereits verbessert, doch die meisten Tools decken nur einzelne Teile des Arbeitsablaufs ab. Mediziner, die die Technologie in ihren Arbeitsalltag integrieren möchten, müssen daher den Umgang mit mehreren Produkten erlernen. Einige Gruppen möchten jedoch Mehrzwecklösungen entwickeln, um die Benutzerfreundlichkeit zu erhöhen.

Man baute ein Modell ähnlich wie ChatGPT. Sie nutzten es für mehrere Bewertungsprozesse verbunden mit 19 Krebsarten und zeigt damit seine Vielseitigkeit. Insbesondere beschleunigte es Evaluierungsaufgaben für eine verbesserte Erkennung, Prognose und Behandlungsreaktion. Die Entwickler sind zudem überzeugt, dass ihre Innovation erstmals Ergebnisse für mehrere internationale Patientengruppen vorhersagt und validiert.

Das KI-Modell liest digitale Objektträger mit Tumorproben, analysiert die molekularen Profile und findet Krebszellen. Es untersuchte auch das Gewebe um die Tumoren herum, um zu zeigen, wie gut Patienten auf Standardbehandlungen ansprechen oder welche weniger wirksam sind. Experimente deuteten darauf hin, dass das Modell genauer ist als derzeit verfügbare Produkte. Darüber hinaus konnte es erstmals bestimmte Tumormerkmale mit einer erhöhten Überlebensrate der Patienten in Verbindung bringen und so möglicherweise neue Forschungsfelder erschließen.

Die Forscher trainierten das Modell anhand von 15 Millionen unbeschrifteten Bildern, die je nach Interessensgebiet in Abschnitte unterteilt waren. In einem späteren Schritt wurden die Algorithmen mit 60,000 vollständigen Objektträgern der 19 Krebsarten konfrontiert. Dieser Ansatz lehrte die KI, ganze Bilder zu bewerten, um fundierte Ergebnisse zu erzielen.

Anschließend testete die Gruppe ihr Tool an 19,400 Ganzglasbildern aus 32 unabhängigen Datensätzen. Da diese Informationen aus 24 Patientenkohorten und Krankenhäusern weltweit stammten, lieferten sie ein genaues Bild der realen Bedingungen.

Den Wert biomedizinischer Mikroskopiebilder steigern

Krebsforscher nutzen biomedizinische Mikroskopiebilder für ihre Arbeit, doch die Auswertung dieser Daten dauert mit bestehenden Arbeitsabläufen mehrere Tage. Ein Team entwickelte eine neue Computer-Vision-Technik, um diese wichtigen Aufgaben effizienter zu gestalten. Sie nutzt maschinelles Lernen, um Proben zu analysieren und gemeinsame Merkmale von Krebstumoren zu finden.

Das Tool erzielt effiziente Ergebnisse, indem es mehrere Bereiche individuellen Wachstums untersucht und diese als Ganzes wahrnimmt. Andere Produkte, die biomedizinische Mikroskopiebilder analysieren, unterteilen große Tumore in kleinere Bereiche und behandeln diese als separate Proben. Diese Bilder können jedoch enthalten bis zu 1 Milliarde Pixel, daher ist ihr Studium zeitaufwändig.

Die Entwickler gehen davon aus, dass Ärzte anhand von Tumorbildern nahezu sofort Diagnosen stellen können. Anschließend könnten diese Fachleute die Informationen an Chirurgen weitergeben, die Operationen zur Entnahme von Krebsgewebe durchführen, sodass diese die aktuellsten Erkenntnisse nutzen können.

Tests, bei denen dieses Tool mit den leistungsstärksten Verfahren zur Basisbildanalyse verglichen wurde, zeigten, dass es fast 4 % besser war und in einigen Fällen eine Genauigkeit von fast 88 % erreichte. Die Forscher betonten zudem, dass es auf jeden Tumortyp und jede Mikroskopiemethode anwendbar sei und somit breit anwendbar sei.

Krebsforschung mit Computer Vision vorantreiben

KI-gestützte Computervision kann die Leistung von Krebsforschern steigern und ihre wissenschaftlichen und patientenbezogenen Ergebnisse maximieren. Diese Beispiele veranschaulichen das enorme Potenzial. Fachleute, die die Technologie anwenden möchten, sollten dies jedoch tun, um ihr erworbenes Fachwissen zu erweitern und Innovationen nicht als narrensicher zu betrachten.