Kuinka tietokoneen näkökyky parantaa syöpätutkimusta

Tietokoneen näkökyky on tekoäly, joka mahdollistaa algoritmien poistamisen tarkoituksenmukaisista tiedoista videoista ja kuvista. Syöpätutkijat ovat etsineet tehokkaita keinoja sen käyttämiseen kuvien, mikroskooppinäytteiden, lääketieteellisten skannauksien ja muiden tutkimiseen.

Parantamalla tietämystä syövän kasvun edistäjistä

Vahvistettuaan syövän läsnäolon ja tyypin biopsioissa patologit voivat suorittaa geenisekvensointia RNA-molekyyleillä näytteissä. Sitten he voivat löytää, mitkä genomin muutokset vaikuttavat syövän kasvuun. Tiedot edistävät arvokkaita tutkimuksia ja yksilöllisiä interventioita. Nykyisten menetelmien kalleus ja pitkät prosessit jättävät jotkut tutkijat toiveikkaiksi vaihtoehtoja.

Yksi ryhmä kehitti AI-työkalun joka analysoi standardin mukaisia mikroskooppikuvia biopsioista ennustamaan geneettistä toimintaa syövän soluissa. He kouluttivat innovaationsa yli 7 500 näytteellä, jotka edustavat 16 syöpätyyppiä ja muita asiaankuuluvia tietoja, mukaan lukien kuvia terveistä soluista.

Nämä tutkijat priorisoi käytettävyyttä helpon tulkitettavuuden kautta, luomalla AI-voiman, joka näyttää geenien liittyvät tiedot visuaalisena syövän biopsiakarttana. Tämä päätös sallii käyttäjien tunnistaa erityisiä muunnelmia tietyillä alueilla. Ryhmä myös luotti standardiväriaineeseen visualisoida syöpäsoluja, ja työkalu tunnisti yli 15 000 geenin ilmenemisen värjättyjen kuvien sisällä.

Heidän löydöksensä osoittivat yhteys yli 80 %:n AI-ennustetun geenin toiminnan ja todellisen käyttäytymisen välillä. Malli suoritti yleensä paremmin, kun näytedata sisälsi enemmän esimerkkejä tietyn syöpätyypin.

Tutkimusryhmän kokeet osoittivat myös algoritmin potentiaalisen validiteetin genominen riskipisteiden määrittämiseen rintasyöpäpotilaille. Osapuolille, joita pidettiin riskialttiimpina, oli enemmän toistuvia tapauksia ja lyhyempiä kestoa niiden välillä.

Ihmiset ovat käyttäneet AI:ta myös muihin mielenkiintoisiin lääketieteellisiin edistymisiin. Yksi kehitys voi havaita COVID-19 jopa 99 %:n tarkkuudella, osoittaen olennaisen julkisen terveyden edistymisen. Vaikka nämä mahdollisuudet ovat vaikuttavia, ammattilaiset voivat vain täydentää työtään niillä. Sallimalla AI:n korvata ensikokemuksia voi vähentää positiivisia potilastuloksia.

Löytämällä sopivimmat hoidot

Syöpähoidoista kertovat ihmiset stressistä ja epämiellyttävistä oireista, jotka liittyvät mahdollisesti suboptimaalisiin ratkaisuihin. Vaikka monet yksilöt sietävät pahoinvointia, hiustenlähtöä ja muita, heistä tulee vähemmän suostuvia jatkamaan, jos alkutestit eivät näytä lupaavia tuloksia.

Kaikki hyötyvät siitä, jos syöpäerikoislääkärit tunnistavat parhaat potilaskohtaiset hoidot aikaisemmin. Tyypillinen lähestymistapa hoitosuunnitelmien suunnittelussa sisältää CT- ja MRI-skannauksien tutkimisen vain yhdellä datapisteellä pikseliä kohti, jotka ovat esitetty sävytinä. Jotkut tutkijat käyttävät AI:ta edistääksesi. Yksi työkalu voi tarkastella jopa 30 000 yksityiskohtaa pikseliä kohti ja analysoida kudoksenäytteitä, jotka ovat pienempiä kuin 400 neliömicrometria – noin viiden ihmisen hiuksen leveys.

Ryhmä käytti luovuttuja näytteitä arvioimaan tuloksia. Kun sovellettiin virtsarakon syöpätapauksiin, AI-alusta löysi erikoistuneen soluryhmän, joka luo kolmannelle lymfoideille rakenteille. Nykyinen tietämys viittaa siihen, että nämä parantavat potilaiden immunoterapia-vasteita. Lisäksi työkalu erotti syöpäsoluja ja kudosta virtsarakon syövässä, auttaen käyttäjiä tarkentamaan syövän leviämisen laajuutta.

Nämä tutkijat uskovat, että heidän pyrkimyksensä voivat osoittaa lääkäreille, mitkä hoidot toimivat parhaiten eri syöpätyypeille. Jos niin on, se voi myös suoristaa relevanttia tutkimusta auttamalla heitä poistamaan arvokkaampaa dataa yleisistä diagnostisista kuvista.

Lyhentämällä lääkekehityksen aikajänne

Uusien syöpälääkkeiden kaupallistaminen kestää vuosia, ja näkymät riippuvat onnistuneista kliinisistä kokeista. Lontoon tutkijat luoivat äskettäin AI-käyttöisen lähestymistavan tutkimaan, miten hyvin lääkkeet saavuttavat kohteensa. Keskittyminen tehokkaimpiin vaihtoehtoihin voi parantaa tuloksia, vakuuttaen sääntelijöitä laajentamaan tuotteen saatavuutta.

Ryhmä käytti lähes 100 000 3D-mikroskooppikuvaa melanoomasoluista, ja geometrinen syväoppiminen analysoi niiden muotoa. Aikaisemmat pyrkimykset saivat ainoastaan kaksiulotteisia tietoja näytteistä mikroskooppilasien päällä, mutta tämä lähestymistapa tutkii soluja niiden ilmestyessä kehoissa. Lisäksi se paljastaa, miten ne muuttavat muotoa tiettyjen hoitojen vuoksi ja osoittaa vaihtelua soluväestöjen välillä.

Tämä työkalu oli yli 99 %:n tarkka havaitsemassa, miten tietyt lääkkeet vaikuttavat soluihin. Se tunnisti jopa muodonmuutoksia, jotka johtuivat proteiineja kohdistavista lääkkeistä.

Koska AI paljasti biokemiallisia muutoksia, tutkijat uskovat, että heidän innovaationsa voi korostaa tiettyjä kohteita uusissa syöpälääkkeissä. Sitten ohjelmisto lyhentäisi ennenkliinisen aikajänneen kolmesta vuodesta kolmeen kuukauteen. Siihen liittyen se voisi vähentää kokeita jopa kuudella vuodella, löytäen nopeammin potilaat, jotka hyötyvät eniten, ja tunnistaa yleiset sivuvaikutukset.

Suoristamalla syövän arviotehtäviä

AI on jo parantanut syöpätutkijoiden tehtäviä, mutta useimmat työkalut käsittelevät vain yksittäisiä osia työnkulusta. Tämä tarkoittaa, että lääketieteelliset asiantuntijat, jotka haluavat integroida teknologian työpäiviinsä, tarvitsevat useita tuotteita. Joitakin ryhmiä halutaan kuitenkin rakentaa monikäyttöisiä ratkaisuja lisätäkseen käyttäjäystävällisyyttä.

Yksi rakensi mallin, joka muistutti ChatGPT:ä. He käyttivät sitä useita arviointiprosesseja, jotka liittyvät 19 syöpätyyppiin, osoittaen sen monipuolisuutta. Lisäksi se kiihdytti arviointitehtäviä parantamalla havaitsemista, ennustetta ja hoitovasteita. Kehittäjät uskoivat myös, että heidän innovaationsa on ensimmäinen, joka ennustaa ja vahvistaa tuloksia useiden kansainvälisten potilasryhmien keskuudessa.

AI-malli lukee digitaalisia diakuvia, jotka sisältävät syövänäytteitä, analysoida molekyyliprofiileja ja löytää syöpäsolut. Se tutki myös kudoksia, jotka ympäröivät kasvua, jotka osoittavat, miten hyvin potilaat ovat reagoineet standardihoidoissa tai osoittavat tutkijoille, mitkä ovat vähemmän tehokkaita. Kokeet viittasivat siihen, että se oli tarkempi kuin nykyisesti saatavilla olevat tuotteet. Lisäksi se yhdisti tiettyjä syövän ominaisuuksia lisääntyneisiin potilaiden selviytymisnopeuksiin ensimmäistä kertaa, mahdollisesti avaamalla uusia tutkimusalueita.

Tutkijat kouluttivat mallin 15 miljoonalla merkitymättömällä kuvalla, jotka jaettiin palasiin riippuen kiinnostuksen kohteista. Myöhemmässä vaiheessa algoritmit altistettiin 60 000 koko diakuvan esimerkille, jotka edustavat 19 syöpätyyppiä. Tämä lähestymistapa opetti AI:lle arvioida koko kuvia perusteellisten tuloksien saamiseksi.

Sitten ryhmä testasi työkalua 19 400 koko diakuvan kuvalla, jotka löytyivät 32 itsenäisestä tietokannasta. Koska tämä tieto tuli 24:stä maailmanlaajuisesti sijaitsevasta potilasryhmästä ja sairaalasta, se tarjoaa oikean näytteen todellisista olosuhteista.

Parantamalla biolääketieteellisten mikroskooppikuvien arvoa

Syöpätutkijat käyttävät biolääketieteellisiä mikroskooppikuvia työnsä edistämiseen, mutta olemassa olevat työnkulut vievät useita päiviä näiden tietojen tutkimiseen. Yksi ryhmä kehitti uuden tietokoneen näkökyvyn tekniikan, joka tekee nämä tärkeät tehtävät tehokkaammaksi. Se käyttää koneoppimista analysoimaan näytteitä ja löytämään yhteisiä ominaisuuksia syövän kasvaimissa.

Työkalu saa tulokset tehokkaasti tarkastelemalla useita kasvun alueita ja havainnoimalla niitä kokonaisuutena. Muut tuotteet, jotka analysoida biolääketieteellisiä mikroskooppikuvia, jakavat suuret kasvaimet pienempiin palasiin ja käsittelevät osia erillisinä näytteinä. Näiden kuvien voi sisältää jopa 1 miljardi pikseliä, joten ne ovat aikaa vieviä tutkia.

Kehittäjät kuvittelevat, että kliinikot voivat tehdä lähes välittömiä diagnooseja kasvainkuvista. Sitten nämä ammattilaiset voivat siirtää tiedon kirurgeille, jotka suorittavat toimia poistamaan syövän kudoksia, sallien heidän käyttää viimeisimpiä oivalluksia.

Vertailukokeet, jotka vertasivat tätä työkalua parhaimpiin kuvan analyysitekniikoihin, osoittivat, että se oli lähes 4 % parempi ja saavutti lähes 88 %:n tarkkuuden joissakin tapauksissa. Tutkijat korostivat myös, että käyttäjät voivat soveltaa sitä mihin tahansa kasvain- tai mikroskooppimenetelmään, mikä tekee siitä laajasti sovellettavissa olevan.

Viemällä syöpätutkimusta eteenpäin tietokoneen näkökyvyn avulla

AI-käyttöinen tietokoneen näkökyky voi korottaa syöpätutkijoiden tuotannon, maksimoimalla heidän tieteelliset ja potilasliittyvät tuloksensa. Nämä esimerkit osoittavat runsaan potentiaalin, mutta ammattilaiset, jotka ovat kiinnostuneita soveltamaan tätä teknologiaa, tulisi tehdä sitä täydentämään hankittua asiantuntemusta eikä kohdella innovaatioita virheettöminä.