Wie Computer Vision die Krebsforschung verbessert

Computer Vision ist künstliche Intelligenz, die es Algorithmen ermöglicht, aus Videos und Bildern sinnvolle Informationen zu extrahieren. Krebsforscher haben effektive Wege gefunden, um es zu verwenden, um Bilder, mikroskopische Proben, medizinische Scans und mehr zu untersuchen. Einige Ansätze können zuvor umständliche Arbeitsabläufe verkürzen und es Teams mit begrenzten Ressourcen ermöglichen, ihre Ziele zu erreichen und die Auswirkungen auf Patienten zu erhöhen.

Das Wissen über Tumorwachstumsfaktoren verbessern

Nachdem Pathologen die Anwesenheit und Art des Krebses in Biopsien bestätigt haben, können sie genetische Sequenzierung auf den RNA-Molekülen in den Proben durchführen. Dann können sie herausfinden, welche genetischen Veränderungen den Tumorwachstum beeinflussen. Diese Informationen fördern wertvolle Forschung und personalisierte Eingriffe. Allerdings sind die aktuellen Methoden teuer und zeitaufwändig, was einige Forscher nach praktikablen Alternativen suchen lässt.

Ein Team entwickelte ein AI-Tool das Standardmikroskopbilder von Biopsien analysiert, um die genetische Aktivität in Tumorzellen vorherzusagen. Sie trainierten ihre Innovation mit über 7.500 Proben, die 16 Krebsarten und andere relevante Datensätze darstellen, einschließlich Bildern von gesunden Zellen.

Diese Forscher priorisierten die Benutzerfreundlichkeit durch einfache Interpretierbarkeit und erstellten ihr AI-gestütztes Programm, um die genetischen Informationen als visuelle Tumorbiopsiekarte anzuzeigen. Diese Entscheidung ermöglicht es den Benutzern, charakteristische Variationen in bestimmten Bereichen zu identifizieren. Die Gruppe verwendete auch eine Standardfärbemethode, um Krebszellen zu visualisieren, und das Tool identifizierte die genetischen Ausdrücke von mehr als 15.000 Genen in den gefärbten Bildern.

Ihre Ergebnisse zeigten eine Korrelation von über 80% zwischen der AI-vorhergesagten genetischen Aktivität und dem tatsächlichen Verhalten. Das Modell funktionierte im Allgemeinen besser, wenn die Stichprobendaten mehr Beispiele einer bestimmten Krebsart enthielten.

Die Experimente dieses Forscherteams zeigten auch das Potenzial des Algorithmus für die Zuweisung von genetischen Risikoscores zu Patienten mit Brustkrebs. Die als riskanter eingestuften Patienten hatten mehr Rezidive und kürzere Zeiträume zwischen ihnen.

Menschen haben AI auch für andere faszinierende medizinische Fortschritte eingesetzt. Eine Entwicklung kann COVID-19 mit bis zu 99% Genauigkeit erkennen, was eine wesentliche öffentliche Gesundheitsverbesserung darstellt. Trotz der beeindruckenden Möglichkeiten sollten sich Fachleute nur mit ihnen ergänzen. Wenn AI die erste Erfahrung ersetzt, kann dies die positiven Patientenergebnisse verringern.

Die besten Behandlungen finden

Menschen, die an Krebsbehandlungen teilnehmen, beschreiben den Stress und die unangenehmen Symptome, die mit möglicherweise suboptimalen Lösungen verbunden sind. Obwohl viele Personen Übelkeit, Haarausfall und mehr tolerieren, werden sie weniger einverstanden, wenn frühe Tests keine vielversprechenden Ergebnisse zeigen.

Jeder profitiert, wenn Krebsspezialisten die besten patientenspezifischen Behandlungen früher identifizieren. Der typische Ansatz zur Erstellung von Behandlungsplänen umfasst die Untersuchung von CT- und MRT-Scans mit nur einem Datenpunkt pro Pixel, dargestellt als Graustufen. Einige Forscher verwenden AI, um Fortschritte zu machen. Ein Tool kann bis zu 30.000 Details pro Pixel untersuchen und Gewebeproben von bis zu 400 Quadratmikrometern Größe analysieren — etwa der Breite von fünf menschlichen Haaren.

Das Team verwendete gespendete Proben, um die Ergebnisse zu bewerten. Wenn es auf Blasenkrebsfälle angewendet wurde, fand die AI-Plattform eine spezialisierte Zellgruppe, die tertiäre Lymphoidstrukturen erstellt. Aktuelles Wissen legt nahe, dass diese die Immuntherapieantworten der Patienten verbessern. Darüber hinaus unterschied das Tool zwischen Krebszellen und Schleimhaut in Magenkrebsproben und half den Benutzern, den Umfang ihrer Ausbreitung genauer zu bestimmen.

Diese Forscher glauben, dass ihre Bemühungen zeigen könnten, welche Behandlungen für verschiedene Krebsarten am besten funktionieren. Wenn dem so ist, kann es auch die relevante Forschung vereinfachen, indem es ihnen hilft, mehr wertvolle Daten aus gemeinsamen diagnostischen Bildern zu extrahieren.

Die Entwicklung von Krebsmedikamenten beschleunigen

Die Entwicklung neuer Krebsbehandlungen, die kommerziell verfügbar sind, dauert Jahre, und die Aussichten hängen von erfolgreichen klinischen Studien ab. Forscher in London entwickelten kürzlich einen AI-gestützten Ansatz, um zu untersuchen, wie gut Medikamente ihre Ziele erreichen. Durch die Konzentration auf die effektivsten Optionen könnten die Ergebnisse verbessert werden, was die Regulierungsbehörden dazu bringen könnte, die Verfügbarkeit von Produkten zu erweitern.

Die Gruppe verwendete fast 100.000 3D-Mikroskopbilder von Melanomzellen und geometrische Deep-Learning-Algorithmen, um ihre Form zu analysieren. Frühere Bemühungen erhielten nur zweidimensionale Daten von Proben auf Mikroskopschieben, aber dieser Ansatz untersucht Zellen, wie sie im Körper erscheinen. Darüber hinaus zeigt er, wie sie ihre Form aufgrund bestimmter Behandlungen ändern und die Variabilität über Zellpopulationen hinweg aufzeigt.

Dieses Tool war über 99% genau, um zu erkennen, wie bestimmte Medikamente die Zellen beeinflussten. Es identifizierte sogar Formveränderungen, die durch Medikamente ausgelöst wurden, die unterschiedliche Proteine Zielten.

Da die AI biochemische Veränderungen aufzeigte, denken die Forscher, dass ihre Innovation bestimmte Ziele hervorheben könnte, um bei der Entwicklung neuer Krebsmedikamente zu betonen. Dann könnte die Software die präklinische Zeitspanne von drei Jahren auf drei Monate verkürzen. Außerdem könnte es die Studien um bis zu sechs Jahre verkürzen und so den Patienten, die am meisten davon profitieren, schneller finden und die häufigsten Nebenwirkungen identifizieren.

Krebsbewertungsaufgaben vereinfachen

AI hat bereits die Aufgaben von Krebsforschern verbessert, aber die meisten Tools behandeln nur einzelne Teile des Arbeitsablaufs. Das bedeutet, dass medizinische Fachleute, die die Technologie in ihre Arbeitsabläufe integrieren möchten, lernen müssen, mehrere Produkte zu verwenden. Einige Gruppen wollen jedoch multipurpose-Lösungen entwickeln, um die Benutzerfreundlichkeit zu erhöhen.

Ein Team entwickelte ein Modell, das einem ChatGPT ähnelt. Sie verwendeten es für mehrere Bewertungsprozesse, die mit 19 Krebsarten verbunden sind, und zeigten seine Vielseitigkeit. Insbesondere beschleunigte es die Bewertungsaufgaben für verbesserte Erkennung, Prognose und Behandlungsantworten. Die Entwickler glauben auch, dass ihre Innovation die erste ist, die Ergebnisse über mehrere internationale Patientengruppen hinweg vorhersagt und validiert.

Das AI-Modell liest digitale Schiebe mit Tumorpunkten, analysiert die molekularen Profile und findet Krebszellen. Es untersuchte auch die umliegenden Gewebe, die anzeigen, wie gut Patienten auf Standardbehandlungen reagiert haben oder welche weniger effektiv sind. Experimente zeigten, dass es genauer war als derzeit verfügbare Produkte. Darüber hinaus verband es bestimmte Tumormerkmale mit erhöhten Patientenüberlebensraten, was möglicherweise neue Forschungsbereiche erschließen könnte.

Die Forscher trainierten das Modell mit 15 Millionen unbeschrifteten Bildern, die in Teile unterteilt wurden, die auf Bereiche von Interesse abgestimmt waren. Ein späterer Schritt stellte die Algorithmen 60.000 vollständigen Beispielen aus, die die 19 Krebsarten darstellten. Dieser Ansatz lehrte die AI, ganze Bilder für umfassende Ergebnisse zu bewerten.

Dann testete die Gruppe ihr Tool auf 19.400 vollständigen Bildern, die in 32 unabhängigen Datensätzen gefunden wurden. Da diese Informationen von 24 Patientenkollektiven und Krankenhäusern auf der ganzen Welt stammten, liefern sie eine genaue Stichprobe von realen Bedingungen.

Den Wert von biomedizinischen Mikroskopiebildern verbessern

Krebsforscher verwenden biomedizinische Mikroskopiebilder, um ihre Arbeit voranzutreiben, aber bestehende Arbeitsabläufe benötigen Tage, um diese Daten zu untersuchen. Ein Team entwickelte eine neue Computer-Vision-Technik, um diese Aufgaben effizienter zu machen. Sie verwendet maschinelles Lernen, um Proben zu analysieren und gemeinsame Merkmale unter Krebstumoren zu finden.

Das Tool erhält Ergebnisse effizient, indem es mehrere Bereiche eines einzelnen Wachstums untersucht und es als Ganzes wahrnimmt. Andere Produkte, die biomedizinische Mikroskopiebilder analysieren, teilen große Tumore in kleinere Patches auf und behandeln die Teile als separate Proben. Diese Bilder können jedoch bis zu 1 Milliarde Pixel enthalten, was ihre Untersuchung zeitaufwändig macht.

Die Entwickler stellen sich vor, dass Kliniker nahezu sofortige Diagnosen aus Tumorbildern erstellen könnten. Dann könnten diese Fachleute die Informationen an Chirurgen weitergeben, die Operationen zur Entfernung von Krebsgewebe durchführen, und es ihnen ermöglichen, die aktuellsten Erkenntnisse zu verwenden.

Tests, die dieses Tool mit den besten Bildanalysetechniken verglichen, zeigten, dass es fast 4% besser war und in einigen Fällen eine Genauigkeit von fast 88% erreichte. Die Forscher betonten auch, dass Benutzer es auf jeden Tumortyp und jede Mikroskopiemethode anwenden könnten, was es breit anwendbar macht.

Krebsforschung mit Computer Vision vorantreiben

AI-gestützte Computer Vision kann die Ausgabe von Krebsforschern erhöhen und ihre wissenschaftlichen und patientenbezogenen Ergebnisse maximieren. Diese Beispiele veranschaulichen das reichhaltige Potenzial, aber Fachleute, die an der Anwendung dieser Technologie interessiert sind, sollten dies tun, um ihre erworbenen Kenntnisse zu ergänzen und nicht, um Innovationen als fehlerfrei zu behandeln.