Cómo la visión artificial mejora la investigación del cáncer

La visión artificial es inteligencia artificial que permite a los algoritmos extraer información significativa de videos e imágenes. Los investigadores del cáncer han explorado maneras efectivas de usarla para examinar imágenes, muestras microscópicas, exploraciones médicas y más. Algunos enfoques pueden acortar flujos de trabajo que antes eran engorrosos, permitiendo a los equipos con recursos limitados alcanzar sus objetivos y optimizar el impacto en los pacientes.

Mejorar el conocimiento de los factores que impulsan el crecimiento tumoral

Tras confirmar la presencia y el tipo de cáncer en las biopsias, los patólogos pueden secuenciar genéticamente las moléculas de ARN de las muestras. Así, pueden determinar qué cambios genómicos influyen en el crecimiento del tumor. Esta información facilita investigaciones valiosas e intervenciones personalizadas. Sin embargo, el alto coste y la lentitud de los procesos de los métodos actuales hacen que algunos investigadores busquen alternativas viables.

Un equipo creó una herramienta de IA que analiza imágenes de microscopía estándar de biopsias para predecir la actividad genética en células tumorales. Entrenaron su innovación con más de 7,500 muestras que representan 16 tipos de cáncer y otros conjuntos de datos relevantes, incluyendo imágenes de células sanas.

Estos investigadores priorizaron la usabilidad mediante una fácil interpretación, creando su programa basado en IA para mostrar la información genética como un mapa visual de biopsia tumoral. Esta decisión permite a los usuarios identificar variaciones distintivas en áreas específicas. El grupo también utilizó un método de tinción estándar para visualizar las células cancerosas, y la herramienta identificó la expresión genética de más de 15,000 genes en las imágenes teñidas.

Sus hallazgos indicaron una correlación superior al 80 % entre la actividad genética predicha por la IA y el comportamiento real. El modelo, en general, tuvo un mejor rendimiento cuando el conjunto de datos de muestra incluía más ejemplos de un tipo específico de cáncer.

Los experimentos de este equipo de investigación también demostraron la posible validez del algoritmo para asignar puntuaciones de riesgo genómico a pacientes con cáncer de mama. Las partes clasificadas como de mayor riesgo presentaron más recurrencias y una duración más corta entre ellas.

La IA se ha utilizado para otros avances médicos fascinantes. Un desarrollo puede detectar la COVID-19. con hasta un 99% de precisión, lo que demuestra una mejora esencial en la salud pública. A pesar de lo impresionante de estas posibilidades, los profesionales solo deben complementar su trabajo con ellas. Permitir que la IA reemplace la experiencia directa podría reducir los resultados positivos para los pacientes.

Encontrar los tratamientos más adecuados

Las personas que se someten a intervenciones relacionadas con el cáncer detallan el estrés y los síntomas desagradables asociados con soluciones potencialmente deficientes. Si bien muchas personas toleran náuseas, pérdida de cabello y otros síntomas, se muestran menos dispuestas a continuar si las pruebas iniciales no muestran resultados prometedores.

Todos se benefician si los especialistas en cáncer identifican con mayor rapidez los mejores tratamientos específicos para cada paciente. El enfoque habitual para diseñar planes de atención consiste en estudiar tomografías computarizadas y resonancias magnéticas con un solo punto de datos por píxel, representado en escalas de grises. Algunos investigadores utilizan la IA para avanzar. Una herramienta... Puede examinar hasta 30,000 detalles por píxel y analizar muestras de tejido tan pequeñas como 400 micrómetros cuadrados, aproximadamente el ancho de cinco cabellos humanos.

El equipo utilizó muestras donadas para evaluar los resultados. Al aplicarla a casos de cáncer de vejiga, la plataforma de IA detectó un grupo celular especializado que crea estructuras linfoides terciarias. El conocimiento actual sugiere que estas mejoran la respuesta de los pacientes a la inmunoterapia. Además, la herramienta diferenció entre células cancerosas y tejido mucoso en muestras de cáncer gástrico, lo que ayudó a los usuarios a determinar con mayor precisión el grado de propagación.

Estos investigadores creen que sus esfuerzos podrían mostrar a los médicos qué tratamientos son más eficaces para distintos tipos de cáncer. De ser así, también podrían agilizar la investigación relevante al ayudarles a extraer datos más valiosos de imágenes diagnósticas comunes.

Acortamiento de los plazos de desarrollo de fármacos

Comercializar nuevos tratamientos contra el cáncer lleva años, y las perspectivas dependen del éxito de los ensayos clínicos. Investigadores en Londres Recientemente se creó un enfoque basado en IA Para estudiar la eficacia con la que los fármacos alcanzan sus objetivos. Centrarse en las opciones más eficaces podría mejorar los resultados, convenciendo a los reguladores de ampliar la disponibilidad de los productos.

El grupo utilizó casi 100,000 imágenes de microscopía 3D de células de melanoma, y algoritmos de aprendizaje profundo geométrico analizaron su forma. Estudios anteriores solo obtenían datos bidimensionales de muestras en portaobjetos, pero este enfoque examina las células tal como aparecen en el organismo. Además, revela cómo cambian de forma debido a tratamientos específicos y muestra la variabilidad entre poblaciones celulares.

Esta herramienta tuvo una precisión superior al 99 % al detectar cómo fármacos específicos afectaban a las células. Incluso identificó cambios de forma provocados por fármacos dirigidos a diferentes proteínas.

Dado que la IA reveló alteraciones bioquímicas, los investigadores creen que su innovación podría identificar objetivos específicos para enfatizar con nuevos medicamentos contra el cáncer. De esta manera, el software reduciría el plazo preclínico de tres años a tres meses. Asimismo, podría reducir los ensayos hasta en seis años, identificando con mayor rapidez a los pacientes con mayor probabilidad de beneficiarse e identificando los efectos secundarios comunes.

Optimización de las tareas de evaluación del cáncer

La IA ya ha mejorado las tareas de los investigadores del cáncer, pero la mayoría de las herramientas solo gestionan partes individuales del flujo de trabajo. Esto significa que los especialistas médicos interesados en integrar la tecnología en su trabajo necesitan aprender a usar varios productos. Sin embargo, algunos grupos buscan desarrollar soluciones multipropósito para facilitar su uso.

Se construyó un modelo similar a ChatGPT. Lo usaron para múltiples procesos evaluativos vinculados a 19 tipos de cáncer, lo que demuestra su versatilidad. Más específicamente, aceleró las tareas de evaluación para mejorar la detección, el pronóstico y las respuestas al tratamiento. Los desarrolladores también creen que su innovación es la primera en predecir y validar los resultados en varios grupos internacionales de pacientes.

El modelo de IA lee portaobjetos digitales con muestras tumorales, analiza los perfiles moleculares y detecta células cancerosas. También examinó los tejidos que rodean los tumores, lo que indica la respuesta de los pacientes a los tratamientos estándar o indica a los investigadores cuáles son menos efectivos. Los experimentos sugirieron que era más preciso que los productos disponibles actualmente. Además, por primera vez, vinculó características tumorales específicas con el aumento de las tasas de supervivencia de los pacientes, lo que podría abrir nuevas áreas de investigación.

Los investigadores entrenaron el modelo con 15 millones de imágenes sin etiquetar, divididas en fragmentos según las áreas de interés. En un paso posterior, los algoritmos analizaron 60,000 muestras de diapositivas completas que representaban los 19 tipos de cáncer. Este enfoque enseñó a la IA a evaluar imágenes completas para obtener resultados exhaustivos.

Posteriormente, el grupo probó su herramienta con 19,400 32 imágenes de diapositivas completas provenientes de 24 conjuntos de datos independientes. Dado que dicha información proviene de XNUMX cohortes de pacientes y hospitales de todo el mundo, proporciona una muestra precisa de las condiciones de la vida real.

Mejorando el valor de las imágenes de microscopía biomédica

Los investigadores del cáncer utilizan imágenes de microscopía biomédica para avanzar en su trabajo, pero los flujos de trabajo actuales tardan días en examinar estos datos. Un equipo desarrolló una nueva técnica de visión artificial para optimizar estas tareas esenciales. Esta técnica utiliza aprendizaje automático para analizar muestras y encontrar características comunes entre los tumores cancerosos.

La herramienta obtiene resultados eficientemente examinando múltiples áreas de crecimiento individual y percibiéndolas como un todo. Otros productos que analizan imágenes de microscopía biomédica dividen tumores grandes en áreas más pequeñas y tratan las porciones como muestras separadas. Sin embargo, estas imágenes pueden Contienen hasta mil millones de píxeles, por lo que estudiarlos requiere mucho tiempo.

Los desarrolladores prevén que los médicos podrían realizar diagnósticos casi inmediatos a partir de imágenes tumorales. Posteriormente, estos profesionales transmitirían la información a los cirujanos que realizan operaciones para extraer tejido canceroso, lo que les permitiría utilizar los conocimientos más actualizados.

Las pruebas que compararon esta herramienta con las técnicas de análisis de imágenes de referencia de mayor rendimiento mostraron que era casi un 4 % superior y alcanzaba una precisión cercana al 88 % en algunos casos. Los investigadores también destacaron que los usuarios podían aplicarla a cualquier tipo de tumor y método de microscopía, lo que la hace ampliamente aplicable.

Impulsando la investigación del cáncer con visión artificial

La visión artificial impulsada por IA puede aumentar la producción de los investigadores del cáncer, maximizando sus resultados científicos y con los pacientes. Estos ejemplos ilustran el gran potencial, pero los profesionales interesados en aplicar la tecnología deberían hacerlo para ampliar la experiencia adquirida y no considerar las innovaciones como infalibles.