Πώς η υπολογιστική όραση ενισχύει την έρευνα για τον καρκίνο

Η υπολογιστική όραση είναι μια μορφή τεχνητής νοημοσύνης που επιτρέπει στους αλγορίθμους να εξάγουν σημαντικές πληροφορίες από βίντεο και εικόνες. Οι ερευνητές του καρκίνου έχουν ανακαλύψει αποτελεσματικούς τρόπους για να τη χρησιμοποιήσουν για να εξετάσουν εικόνες, μικροσκοπικά δείγματα, ιατρικές σάρωση και άλλα. Ορισμένες προσεγγίσεις μπορούν να συντομεύσουν προηγουμένως χρονοβόρες εργασίες, επιτρέποντας στους πόρους-στρεσομένους ομάδες να επιτύχουν τους στόχους και να αυξήσουν την επίδραση των ασθενών.

Βελτιώνοντας τη Γνώση των Παραγόντων Αυξήσεως του Όγκου

Μετά την επιβεβαίωση της παρουσίας και του τύπου του καρκίνου στις βιοψίες, οι παθολόγοι μπορεί να εκτελέσουν γενετική αλληλουχία στα μόρια RNA μέσα στα δείγματα. Στη συνέχεια, μπορούν να βρουν ποίες γενομικές αλλαγές επηρεάζουν την αύξηση του όγκου. Αυτές οι πληροφορίες διευρύνουν την πολύτιμη έρευνα και τις προσωποποιημένες παρεμβάσεις. Ωστόσο, οι τρέχουσες μεθόδους και η μακρά διαδικασία αφήνουν ορισμένους ερευνητές να αναζητούν εφικτές εναλλακτικές.

Μια ομάδα δημιούργησε ένα εργαλείο AI που αναλύει τυπικές εικόνες μικροσκοπίου των βιοψιών για να προβλέψει τη γενετική δραστηριότητα μέσα στα κύτταρα του όγκου. Εκπαιδεύτηκαν την καινοτομία τους σε πάνω από 7.500 δείγματα που αντιπροσωπεύουν 16 τύπους καρκίνου και άλλα σχετικά σύνολα δεδομένων, συμπεριλαμβανομένων εικόνων από υγιή κύτταρα.

Οι ερευνητές προτίμησαν την ευχρηστία μέσω της εύκολης ερμηνείας, δημιουργώντας το πρόγραμμα AI-ενεργοποιημένο να δείχνει τις πληροφορίες που σχετίζονται με τα γονίδια ως οπτικό χάρτη βιοψίας όγκου. Αυτή η απόφαση επιτρέπει στους χρήστες να αναγνωρίσουν διακριτές παραλλαγές σε συγκεκριμένες περιοχές. Η ομάδα επίσης βασίστηκε σε μια τυπική μέθοδο χρωματισμού για να οπτικοποιήσει τα κύτταρα του καρκίνου, και το εργαλείο αναγνώρισε τις γενετικές εκφράσεις περισσότερων από 15.000 γονιδίων μέσα στις εικόνες χρωματισμού.

Τα ευρήματά τους έδειξαν μια συσχέτιση άνω του 80% μεταξύ της προβλεπόμενης γενετικής δραστηριότητας και της πραγματικής συμπεριφοράς. Το μοντέλο εκτελέστηκε γενικά καλύτερα όταν το σύνολο δεδομένων περιελάμβανε περισσότερα παραδείγματα ενός συγκεκριμένου τύπου καρκίνου.

Οι πειραματικές δοκιμές της ερευνητικής ομάδας cũng έδειξαν το δυναμικό της αλγορίθμου για την ανάθεση γενομικών βαθμολογιών κινδύνου σε ασθενείς με καρκίνο του μαστού. Τα μέρη που κατηγοριοποιήθηκαν ως πιο επικίνδυνα είχαν περισσότερες υποτροπές και μικρότερο χρόνο μεταξύ τους.

Οι άνθρωποι έχουν χρησιμοποιήσει την τεχνητή νοημοσύνη για άλλες φασκινující ιατρικές προόδους. Μια εξέλιξη μπορεί να ανιχνεύσει τον COVID-19 με ακρίβεια μέχρι και 99%, που δείχνει μια βασική βελτίωση της δημόσιας υγείας.尽管 η εντυπωσιακότητα αυτών των δυνατοτήτων, οι επαγγελματίες πρέπει να χρησιμοποιούν μόνο την τεχνητή νοημοσύνη για να συμπληρώσουν το έργο τους. Το να αφήσουν την τεχνητή νοημοσύνη να αντικαταστήσει την άμεση εμπειρία θα μπορούσε να μειώσει τα θετικά αποτελέσματα των ασθενών.

Βρίσκοντας τις Πιο Κατάλληλες Θεραπείες

Οι άνθρωποι που υποβάλλονται σε παρεμβάσεις που σχετίζονται με τον καρκίνο περιγράφουν το στρες και τα δυσάρεστα συμπτώματα που συνδέονται με πιθανώς μη βέλτιστες λύσεις. mặc dù πολλοί άνθρωποι ανέχονται την ναυτία, την απώλεια μαλλιών και άλλα, γίνονται λιγότερο συμφωνικοί να συνεχίσουν αν οι πρώτες δοκιμές δεν δείχνουν υποσχόμενους αποτελέσματα.

Όλοι ωφελούνται αν οι ειδικοί του καρκίνου αναγνωρίσουν τις καλύτερες θεραπείες για κάθε ασθενή. Η τυπική προσέγγιση για τη σχεδίαση σχεδίων φροντίδας περιλαμβάνει τη μελέτη σκαναρίων CT και MRI με μόνο ένα σημείο δεδομένων ανά pixel, που αντιπροσωπεύεται από αποχρώσεις του γκρι. Ορισμένοι ερευνητές χρησιμοποιούν την τεχνητή νοημοσύνη για να κάνουν πρόοδο. Ένα εργαλείο μπορεί να εξετάσει μέχρι και 30.000 λεπτομέρειες ανά pixel και να αναλύσει δείγματα ιστού इतनά μικρά όσο 400 τετραγωνικά μικρόμετρα — περίπου το πλάτος πέντε ανθρώπινων μαλλιών.

Η ομάδα χρησιμοποίησε δωρεά δειγμάτων για να αξιολογήσει τα αποτελέσματα. Όταν εφαρμόστηκε σε περιπτώσεις καρκίνου της ουροδόχου κύστης, η πλατφόρμα AI βρήκε μια εξειδικευμένη ομάδα κυττάρων που δημιουργεί τριτοβάθμιες λεμφοειδείς δομές. Η τρέχουσα γνώση υποδηλώνει ότι αυτές βελτιώνουν τις απαντήσεις των ασθενών στην ανοσοθεραπεία. Επιπλέον, το εργαλείο διαχώρισε τα καρκινικά κύτταρα από το ιστό του βλεννογόνου στην γαστρική καρκίνο, βοηθώντας τους χρήστες να αναγνωρίσουν πιο ακριβώς την έκταση της διάδοσής τους.

Οι ερευνητές πιστεύουν ότι οι προσπάθειές τους θα μπορούσαν να δείξουν στους γιατρούς ποίες θεραπείες λειτουργούν καλύτερα για διάφορους τύπους καρκίνου. Αν είναι così, μπορεί επίσης να συντομεύσει τις σχετικές έρευνες βοηθώντας τους να εξάγουν πιο πολύτιμα δεδομένα από τις συνήθεις διαγνωστικές εικόνες.

Συντομεύοντας τους Χρόνους Ανάπτυξης Φαρμάκων

Η δημιουργία νέων θεραπειών για τον καρκίνο που είναι εμπορικά διαθέσιμες παίρνει χρόνια, και οι προοπτικές εξαρτώνται από την επιτυχή κλινικές δοκιμές. Ερευνητές στο Λονδίνο δημιούργησαν πρόσφατα μια προσέγγιση που ενεργοποιείται από την τεχνητή νοημοσύνη για τη μελέτη του πόσο καλά τα φάρμακα φτάνουν τους στόχους τους. Η εστίαση στις πιο αποτελεσματικές επιλογές θα μπορούσε να βελτιώσει τα αποτελέσματα, πείθοντας τους ρυθμιστές να διευρύνουν τη διαθεσιμότητα των προϊόντων.

Η ομάδα χρησιμοποίησε σχεδόν 100.000 εικόνες μικροσκοπίου 3D των κυττάρων μελανώματος, και αλγόριθμοι γεωμετρικής βαθιάς μάθησης ανάλυσαν το σχήμα τους. Προηγούμενες προσπάθειες απέκτησαν μόνο δύο διαστάσεων δεδομένα από δείγματα σε μικροσκοπικές οθόνες, αλλά αυτή η προσέγγιση εξετάζει τα κύτταρα όπως εμφανίζονται στο σώμα. Επιπλέον, αποκαλύπτει πώς αλλάζουν σχήμα λόγω συγκεκριμένων θεραπειών και δείχνει τη μεταβλητότητα μεταξύ των κυτταρικών πληθυσμών.

Αυτό το εργαλείο ήταν περισσότερο από 99% ακριβές στην ανίχνευση του πώς τα συγκεκριμένα φάρμακα επηρέασαν τα κύτταρα. Αναγνώρισε ακόμη και τις αλλαγές σχήματος που προκλήθηκαν από αυτά που στοχεύουν σε διαφορετικές πρωτεΐνες.

Επειδή η τεχνητή νοημοσύνη αποκάλυψε βιοχημικές αλλαγές, οι ερευνητές πιστεύουν ότι η καινοτομία τους θα μπορούσε να υπογραμμίσει συγκεκριμένους στόχους για να τονιστεί με νέα φάρμακα για τον καρκίνο. Στη συνέχεια, το λογισμικό θα συντομεύσει το προκλινικό χρονικό διάστημα από τρία χρόνια σε τρία μήνες. Σχετικά, θα μειώσει τις κλινικές δοκιμές έως και έξι χρόνια, βρήκε πιο γρήγορα τους ασθενείς που θα ωφεληθούν περισσότερο και αναγνώρισε τις κοινούς παρενέργειες.

Συντομεύοντας τις Εργασίες Αξιολόγησης του Καρκίνου

Η τεχνητή νοημοσύνη έχει ήδη βελτιώσει τις εργασίες των ερευνητών του καρκίνου, αλλά τα περισσότερα εργαλεία χειρίζονται μόνο μεμονωμένα μέρη της ροής εργασίας. Αυτό σημαίνει ότι οι γιατροί που ενδιαφέρονται να ενσωματώσουν την τεχνολογία στην εργασία τους πρέπει να μάθουν να χρησιμοποιούν πολλά προϊόντα. Ωστόσο, ορισμένες ομάδες θέλουν να δημιουργήσουν πολυχρηστικές λύσεις για να αυξήσουν την ευχρηστία.

Μια ομάδα δημιούργησε ένα μοντέλο παρόμοιο με το ChatGPT. Το χρησιμοποίησαν για πολλαπλά αξιολογικά διαδικασίες που συνδέονται με 19 τύπους καρκίνου, δείχνοντας την πολυμορφία του. Πιο συγκεκριμένα, επιτάχυνε τις εργασίες αξιολόγησης για την ενίσχυση της ανίχνευσης, της πρόγνωσης και των απαντήσεων στη θεραπεία. Οι dévelopers πιστεύουν επίσης ότι η καινοτομία τους είναι η πρώτη που προβλέπει και επικυρώνει αποτελέσματα σε πολλές διεθνείς ομάδες ασθενών.

Το μοντέλο AI διαβάζει ψηφιακές οθόνες που περιέχουν δείγματα όγκου, αναλύει τα μοριακά προφίλ και βρίσκει καρκινικά κύτταρα. Εξέτασε επίσης τους ιστούς που περιβάλλουν τις αύξησεις, οι οποίοι δείχνουν πώς οι ασθενείς έχουν ανταποκριθεί στις τυπικές θεραπείες ή δείχνουν στους ερευνητές ποίες είναι λιγότερο αποτελεσματικές. Οι πειραματικές δοκιμές δείχνουν ότι ήταν πιο ακριβές από τα διαθέσιμα προϊόντα. Επιπλέον, συνδέθηκε με συγκεκριμένα χαρακτηριστικά όγκου με αυξημένα ποσοστά επιβίωσης των ασθενών για πρώτη φορά, потенτικά ξεκλείδωνοντας νέες περιοχές έρευνας.

Οι ερευνητές εκπαίδευσαν το μοντέλο σε 15 εκατομμύρια μη επισημασμένες εικόνες που χωρίστηκαν σε κομμάτια ανάλογα με τις περιοχές ενδιαφέροντος. Ένα μεταγενέστερο βήμα έθεσε τους αλγόριθμους σε 60.000 ολόκληρες οθόνες που αντιπροσώπευαν τους 19 τύπους καρκίνου. Αυτή η προσέγγιση δίδαξε την τεχνητή νοημοσύνη να αξιολογεί ολόκληρες εικόνες για πλήρη αποτελέσματα.

Στη συνέχεια, η ομάδα έθεσε το εργαλείο σε 19.400 ολόκληρες οθόνες που βρέθηκαν σε 32 ανεξάρτητες βάσεις δεδομένων. Επειδή αυτές οι πληροφορίες προέρχονταν από 24 παγκοσμίως τοποθετημένες ομάδες ασθενών και νοσοκομεία, παρέχουν μια ακριβή δείγμα πραγματικών συνθηκών.

Βελτιώνοντας την Αξία των Βιοϊατρικών Εικόνων Μικροσκοπίου

Οι ερευνητές του καρκίνου χρησιμοποιούν βιοϊατρικές εικόνες μικροσκοπίου για να προωθήσουν το έργο τους, αλλά οι υφιστάμενες ροές εργασίας παίρνουν ημέρες για να εξετάσουν αυτά τα δεδομένα. Μια ομάδα ανέπτυξε μια νέα τεχνική υπολογιστικής όρασης για να κάνει αυτές τις απαραίτητες εργασίες πιο αποτελεσματικές. Χρησιμοποιεί την μηχανική μάθηση για να αναλύσει τα δείγματα και να βρει κοινά χαρακτηριστικά μεταξύ των καρκινικών όγκων.

Το εργαλείο λαμβάνει αποτελέσματα αποτελεσματικά εξετάζοντας πολλές περιοχές της αύξησης και αντιλαμβανόμενο τις ως ένα σύνολο. Άλλα προϊόντα που αναλύουν βιοϊατρικές εικόνες μικροσκοπίου χωρίζουν τους μεγάλους όγκους σε μικρότερα τμήματα και αντιμετωπίζουν τις περιοχές ως ξεχωριστά δείγματα. Ωστόσο, αυτές οι εικόνες μπορούν να περιέχουν μέχρι και 1 δισεκατομμύριο pixel,所以 είναι χρονοβόρες για μελέτη.

Οι dévelopers οραματίζονται ότι οι κλινικοί γιατροί θα μπορούσαν να κάνουν άμεσες διαγνώσεις από εικόνες όγκου. Στη συνέχεια, αυτοί οι επαγγελματίες θα μεταφέρουν τις πληροφορίες στους χειρουργούς που εκτελούν τις εργασίες για την εξαγωγή των καρκινικών ιστών, επιτρέποντάς τους να χρησιμοποιούν τις πιο πρόσφατες πληροφορίες.

Δοκιμές που σύγκρινε αυτό το εργαλείο με τις καλύτερες τεχνικές ανάλυσης εικόνων που βασίζονται σε προηγούμενες μεθόδους έδειξαν ότι ήταν σχεδόν 4% καλύτερο και έφτασε σχεδόν 88% ακρίβεια σε ορισμένες περιπτώσεις. Οι ερευνητές também τόνισαν ότι οι χρήστες θα μπορούσαν να το εφαρμόσουν σε οποιοδήποτε τύπο όγκου και μέθοδο μικροσκοπίου, καθιστώντας το ευρύτερα εφαρμόσιμο.

Προωθώντας την Έρευνα για τον Καρκίνο με την Υπολογιστική Όραση

Η τεχνητή νοημοσύνη που οδηγείται από την υπολογιστική όραση μπορεί να αυξήσει την παραγωγή των ερευνητών του καρκίνου, μεγιστοποιώντας τα επιστημονικά και τα αποτελέσματα των ασθενών. Αυτά τα παραδείγματα εικονογραφούν το άφθονο δυναμικό, αλλά οι επαγγελματίες που ενδιαφέρονται να εφαρμόσουν την τεχνολογία πρέπει να το κάνουν για να συμπληρώσουν την αποκτηθείσα εμπειρία και όχι να αντιμετωπίσουν τις καινοτομίες ως ασφαλείς.