Πώς η όραση μέσω υπολογιστή ενισχύει την έρευνα για τον καρκίνο

Η υπολογιστική όραση είναι τεχνητή νοημοσύνη που επιτρέπει σε αλγόριθμους να εξάγουν ουσιαστικές πληροφορίες από βίντεο και εικόνες. Οι ερευνητές του καρκίνου έχουν διερευνήσει αποτελεσματικούς τρόπους για να τη χρησιμοποιήσουν για να εξετάσουν εικόνες, μικροσκοπικά δείγματα, ιατρικές σαρώσεις και άλλα. Ορισμένες προσεγγίσεις μπορούν να συντομεύσουν τις προηγουμένως δυσκίνητες ροές εργασίας, επιτρέποντας σε ομάδες που έχουν περιορισμένους πόρους να επιτύχουν στόχους και να ενισχύσουν την επίδραση στους ασθενείς.

Βελτίωση της γνώσης σχετικά με τους παράγοντες ανάπτυξης όγκων

Αφού επιβεβαιώσουν την παρουσία και τον τύπο του καρκίνου σε βιοψίες, οι παθολόγοι μπορούν να πραγματοποιήσουν γενετική αλληλούχιση στα μόρια RNA που υπάρχουν στα δείγματα. Στη συνέχεια, μπορούν να εντοπίσουν ποιες γονιδιωματικές αλλαγές επηρεάζουν την ανάπτυξη του όγκου. Αυτές οι πληροφορίες προάγουν την πολύτιμη έρευνα και τις εξατομικευμένες παρεμβάσεις. Ωστόσο, το κόστος των τρεχουσών μεθόδων και οι χρονοβόρες διαδικασίες αφήνουν ορισμένους ερευνητές να αναζητούν βιώσιμες εναλλακτικές λύσεις.

Μία ομάδα κατασκεύασε ένα εργαλείο τεχνητής νοημοσύνης που αναλύει τυπικές εικόνες μικροσκοπίας βιοψιών για την πρόβλεψη της γενετικής δραστηριότητας εντός των καρκινικών κυττάρων. Εκπαίδευσαν την καινοτομία τους σε πάνω από 7,500 δείγματα που αντιπροσωπεύουν 16 τύπους καρκίνου και άλλα σχετικά σύνολα δεδομένων, συμπεριλαμβανομένων εικόνων υγιών κυττάρων.

Αυτοί οι ερευνητές έδωσαν προτεραιότητα στη χρηστικότητα μέσω της εύκολης ερμηνείας, δημιουργώντας το πρόγραμμά τους με τεχνητή νοημοσύνη για να εμφανίζει τις πληροφορίες που σχετίζονται με τα γονίδια ως έναν οπτικό χάρτη βιοψίας όγκου. Αυτή η απόφαση επιτρέπει στους χρήστες να εντοπίζουν διακριτές παραλλαγές σε συγκεκριμένες περιοχές. Η ομάδα βασίστηκε επίσης σε μια τυπική μέθοδο χρώσης για την απεικόνιση των καρκινικών κυττάρων και το εργαλείο αναγνώρισε τις γενετικές εκφράσεις περισσότερων από 15,000 γονιδίων στις χρωματισμένες εικόνες.

Τα ευρήματά τους έδειξαν μια συσχέτιση άνω του 80% μεταξύ της προβλεπόμενης από την Τεχνητή Νοημοσύνη γενετικής δραστηριότητας και της πραγματικής συμπεριφοράς. Το μοντέλο γενικά είχε καλύτερη απόδοση όταν το σύνολο δεδομένων του δείγματος περιελάμβανε περισσότερα παραδείγματα ενός συγκεκριμένου τύπου καρκίνου.

Τα πειράματα αυτής της ερευνητικής ομάδας έδειξαν επίσης την πιθανή εγκυρότητα του αλγορίθμου για την ανάθεση βαθμολογιών γονιδιωματικού κινδύνου σε ασθενείς με καρκίνο του μαστού. Τα άτομα που κατηγοριοποιήθηκαν ως πιο επικίνδυνα είχαν περισσότερες υποτροπές και μικρότερες διάρκειες μεταξύ τους.

Οι άνθρωποι έχουν χρησιμοποιήσει την Τεχνητή Νοημοσύνη για άλλες συναρπαστικές ιατρικές εξελίξεις. Μία εξέλιξη μπορεί να ανιχνεύσει την COVID-19 με ακρίβεια έως και 99%., παρουσιάζοντας μια ουσιαστική βελτίωση της δημόσιας υγείας. Παρά την εντυπωσιακότητα αυτών των δυνατοτήτων, οι επαγγελματίες πρέπει απλώς να συμπληρώνουν το έργο τους με αυτές. Το να αφήσουμε την Τεχνητή Νοημοσύνη να αντικαταστήσει την εμπειρία από πρώτο χέρι θα μπορούσε να μειώσει τα θετικά αποτελέσματα των ασθενών.

Εύρεση των καταλληλότερων θεραπειών

Άτομα που υποβάλλονται σε παρεμβάσεις που σχετίζονται με τον καρκίνο περιγράφουν λεπτομερώς το άγχος και τα δυσάρεστα συμπτώματα που σχετίζονται με δυνητικά μη βέλτιστες λύσεις. Παρόλο που πολλά άτομα ανέχονται τη ναυτία, την τριχόπτωση και άλλα, γίνονται λιγότερο πρόθυμα να συνεχίσουν εάν οι πρώτες εξετάσεις δεν δείξουν πολλά υποσχόμενα αποτελέσματα.

Όλοι ωφελούνται εάν οι ειδικοί στον καρκίνο εντοπίσουν νωρίτερα τις καλύτερες θεραπείες για τον ασθενή. Η τυπική προσέγγιση για τον σχεδιασμό σχεδίων φροντίδας περιλαμβάνει τη μελέτη αξονικών και μαγνητικών τομογραφιών με μόνο ένα σημείο δεδομένων ανά pixel, που αναπαρίσταται ως αποχρώσεις του γκρι. Μερικοί ερευνητές χρησιμοποιούν την τεχνητή νοημοσύνη για να σημειώσουν πρόοδο. Ένα εργαλείο μπορεί να εξετάσει έως και 30,000 λεπτομέρειες ανά pixel και να αναλύουν δείγματα ιστών μεγέθους μόλις 400 τετραγωνικών μικρομέτρων — περίπου το πλάτος πέντε ανθρώπινων τριχών.

Η ομάδα χρησιμοποίησε δωρεά δειγμάτων για να αξιολογήσει τα αποτελέσματα. Όταν εφαρμόστηκε σε περιπτώσεις καρκίνου της ουροδόχου κύστης, η πλατφόρμα τεχνητής νοημοσύνης εντόπισε μια εξειδικευμένη ομάδα κυττάρων που δημιουργεί τριτοταγείς λεμφικές δομές. Οι τρέχουσες γνώσεις υποδηλώνουν ότι αυτές βελτιώνουν τις αντιδράσεις ανοσοθεραπείας των ασθενών. Επιπλέον, το εργαλείο διέκρινε μεταξύ καρκινικών κυττάρων και βλεννογόνου ιστού σε δείγματα καρκίνου του στομάχου, βοηθώντας τους χρήστες να εντοπίσουν με μεγαλύτερη ακρίβεια την έκταση της εξάπλωσής τους.

Αυτοί οι ερευνητές πιστεύουν ότι οι προσπάθειές τους θα μπορούσαν να δείξουν στους γιατρούς ποιες θεραπείες λειτουργούν καλύτερα για διάφορους καρκίνους. Εάν ναι, αυτό μπορεί επίσης να βελτιστοποιήσει τη σχετική έρευνα, βοηθώντας τους να εξαγάγουν πιο πολύτιμα δεδομένα από κοινές διαγνωστικές εικόνες.

Συντόμευση Χρονοδιαγραμμάτων Ανάπτυξης Φαρμάκων

Η εμπορική διάθεση νέων θεραπειών για τον καρκίνο διαρκεί χρόνια και οι προοπτικές εξαρτώνται από την επιτυχία των κλινικών δοκιμών. Ερευνητές στο Λονδίνο πρόσφατα δημιούργησε μια προσέγγιση με δυνατότητα τεχνητής νοημοσύνης στη μελέτη του πόσο καλά τα φάρμακα επιτυγχάνουν τους στόχους τους. Η εστίαση στις πιο αποτελεσματικές επιλογές θα μπορούσε να βελτιώσει τα αποτελέσματα, πείθοντας τις ρυθμιστικές αρχές να διευρύνουν τη διαθεσιμότητα των προϊόντων.

Η ομάδα χρησιμοποίησε σχεδόν 100,000 τρισδιάστατες εικόνες μικροσκοπίας κυττάρων μελανώματος και αλγόριθμοι γεωμετρικής βαθιάς μάθησης ανέλυσαν το σχήμα τους. Προηγούμενες προσπάθειες έλαβαν μόνο δισδιάστατα δεδομένα από δείγματα σε διαφάνειες μικροσκοπίου, αλλά αυτή η προσέγγιση εξετάζει τα κύτταρα όπως εμφανίζονται στα σώματα. Επιπλέον, αποκαλύπτει πώς αλλάζουν σχήματα λόγω συγκεκριμένων θεραπειών και δείχνει μεταβλητότητα μεταξύ των κυτταρικών πληθυσμών.

Αυτό το εργαλείο ήταν ακριβές κατά περισσότερο από 99% στην ανίχνευση του τρόπου με τον οποίο συγκεκριμένα φάρμακα επηρέασαν τα κύτταρα. Εντόπισε ακόμη και αλλαγές στο σχήμα που προκλήθηκαν από φάρμακα που στοχεύουν διαφορετικές πρωτεΐνες.

Επειδή η τεχνητή νοημοσύνη αποκάλυψε βιοχημικές αλλοιώσεις, οι ερευνητές πιστεύουν ότι η καινοτομία τους θα μπορούσε να αναδείξει συγκεκριμένους στόχους που θα πρέπει να δοθεί έμφαση με νέα αντικαρκινικά φάρμακα. Στη συνέχεια, το λογισμικό θα μείωνε το προκλινικό χρονικό πλαίσιο από τρία χρόνια σε τρεις μήνες. Αντίστοιχα, θα μπορούσε να μειώσει τις δοκιμές έως και έξι χρόνια, εντοπίζοντας πιο γρήγορα τους ασθενείς που είναι πιθανότερο να ωφεληθούν και εντοπίζοντας τις συχνές παρενέργειες.

Βελτιστοποίηση των εργασιών αξιολόγησης του καρκίνου

Η Τεχνητή Νοημοσύνη έχει ήδη ενισχύσει τα καθήκοντα των ερευνητών του καρκίνου, αλλά τα περισσότερα εργαλεία χειρίζονται μόνο μεμονωμένα μέρη της ροής εργασίας. Αυτό σημαίνει ότι οι ιατρικοί ειδικοί που ενδιαφέρονται να ενσωματώσουν την τεχνολογία στις εργάσιμες ημέρες τους πρέπει να μάθουν να χρησιμοποιούν πολλά προϊόντα. Ωστόσο, ορισμένες ομάδες θέλουν να δημιουργήσουν λύσεις πολλαπλών χρήσεων για να αυξήσουν την ευκολία χρήσης.

Κάποιος κατασκεύασε ένα μοντέλο παρόμοιο με το ChatGPT. Το χρησιμοποίησαν για πολλαπλές διαδικασίες αξιολόγησης που συνδέονται με 19 τύποι καρκίνου, δείχνοντας την ευελιξία του. Πιο συγκεκριμένα, επιτάχυνε τις εργασίες αξιολόγησης για βελτιωμένη ανίχνευση, πρόγνωση και θεραπευτικές αντιδράσεις. Οι προγραμματιστές πιστεύουν επίσης ότι η καινοτομία τους είναι η πρώτη που προβλέπει και επικυρώνει τα αποτελέσματα σε διάφορες διεθνείς ομάδες ασθενών.

Το μοντέλο τεχνητής νοημοσύνης διαβάζει ψηφιακές διαφάνειες που περιέχουν δείγματα όγκων, αναλύει τα μοριακά προφίλ και εντοπίζει καρκινικά κύτταρα. Εξέτασε επίσης τους ιστούς που περιβάλλουν τις αναπτύξεις, οι οποίοι δείχνουν πόσο καλά έχουν ανταποκριθεί οι ασθενείς στις τυπικές θεραπείες ή δείχνουν στους ερευνητές ποιες είναι λιγότερο αποτελεσματικές. Τα πειράματα έδειξαν ότι ήταν πιο ακριβές από τα διαθέσιμα σήμερα προϊόντα. Επιπλέον, συνέδεσε συγκεκριμένα χαρακτηριστικά του όγκου με αυξημένα ποσοστά επιβίωσης των ασθενών για πρώτη φορά, ενδεχομένως ανοίγοντας νέους ερευνητικούς τομείς.

Οι ερευνητές εκπαίδευσαν το μοντέλο σε 15 εκατομμύρια εικόνες χωρίς ετικέτα, χωρισμένες σε τμήματα ανάλογα με τις περιοχές ενδιαφέροντος. Ένα μεταγενέστερο βήμα εξέθεσε τους αλγόριθμους σε 60,000 παραδείγματα ολόκληρων διαφανειών που αντιπροσώπευαν τους 19 τύπους καρκίνου. Αυτή η προσέγγιση δίδαξε στην Τεχνητή Νοημοσύνη να αξιολογεί ολόκληρες εικόνες για λεπτομερή αποτελέσματα.

Στη συνέχεια, η ομάδα δοκίμασε το εργαλείο της σε 19,400 εικόνες ολόκληρων διαφανειών που βρέθηκαν σε 32 ανεξάρτητα σύνολα δεδομένων. Επειδή αυτές οι πληροφορίες προήλθαν από 24 ομάδες ασθενών και νοσοκομεία με παγκόσμια παρουσία, παρέχουν ένα ακριβές δείγμα πραγματικών συνθηκών.

Ενίσχυση της αξίας των εικόνων βιοϊατρικής μικροσκοπίας

Οι ερευνητές του καρκίνου χρησιμοποιούν εικόνες βιοϊατρικής μικροσκοπίας για να προωθήσουν το έργο τους, αλλά οι υπάρχουσες ροές εργασίας χρειάζονται μέρες για να εξεταστούν αυτά τα δεδομένα. Μια ομάδα ανέπτυξε μια νέα τεχνική υπολογιστικής όρασης για να κάνει αυτές τις βασικές εργασίες πιο αποτελεσματικές. Χρησιμοποιεί μηχανική μάθηση για την ανάλυση δειγμάτων και την εύρεση κοινών χαρακτηριστικών μεταξύ καρκινικών όγκων.

Το εργαλείο επιτυγχάνει αποτελεσματικά αποτελέσματα εξετάζοντας πολλαπλές περιοχές μεμονωμένης ανάπτυξης και αντιλαμβανόμενο τις ως σύνολο. Άλλα προϊόντα που αναλύουν εικόνες βιοϊατρικής μικροσκοπίας διαιρούν μεγάλους όγκους σε μικρότερα τμήματα και αντιμετωπίζουν τα τμήματα ως ξεχωριστά δείγματα. Ωστόσο, αυτές οι εικόνες μπορούν περιέχουν έως και 1 δισεκατομμύριο pixel, επομένως η μελέτη τους είναι χρονοβόρα.

Οι προγραμματιστές προβλέπουν ότι οι κλινικοί γιατροί θα μπορούν να κάνουν σχεδόν άμεσες διαγνώσεις από εικόνες όγκων. Στη συνέχεια, αυτοί οι επαγγελματίες θα μεταδίδουν τις πληροφορίες στους χειρουργούς που εκτελούν επεμβάσεις για την εξαγωγή καρκινικών ιστών, επιτρέποντάς τους να χρησιμοποιούν τις πιο πρόσφατες γνώσεις.

Οι δοκιμές που συνέκριναν αυτό το εργαλείο με τις τεχνικές ανάλυσης εικόνας αναφοράς με τις καλύτερες επιδόσεις έδειξαν ότι ήταν σχεδόν 4% καλύτερο και πέτυχε ακρίβεια σχεδόν 88% σε ορισμένες περιπτώσεις. Οι ερευνητές τόνισαν επίσης ότι οι χρήστες μπορούσαν να το εφαρμόσουν σε οποιονδήποτε τύπο όγκου και μέθοδο μικροσκοπίας, καθιστώντας το ευρέως εφαρμόσιμο.

Προωθώντας την έρευνα για τον καρκίνο με την όραση υπολογιστών

Η όραση υπολογιστών που βασίζεται στην τεχνητή νοημοσύνη μπορεί να αυξήσει την απόδοση των ερευνητών του καρκίνου, μεγιστοποιώντας τα επιστημονικά τους αποτελέσματα και τα αποτελέσματά τους που σχετίζονται με τους ασθενείς. Αυτά τα παραδείγματα καταδεικνύουν το άφθονο δυναμικό, αλλά οι επαγγελματίες που ενδιαφέρονται να εφαρμόσουν την τεχνολογία θα πρέπει να το κάνουν αυτό για να ενισχύσουν την αποκτηθείσα εμπειρογνωμοσύνη και να μην αντιμετωπίζουν τις καινοτομίες ως αλάνθαστες.