Comment la vision par ordinateur améliore la recherche sur le cancer

La vision par ordinateur est une intelligence artificielle qui permet aux algorithmes d'extraire des informations pertinentes de vidéos et d'images. Les chercheurs en cancérologie ont exploré des moyens efficaces de l'utiliser pour examiner des photos, des échantillons microscopiques, des scanners médicaux, etc. Certaines approches peuvent simplifier des flux de travail auparavant fastidieux, permettant ainsi aux équipes aux ressources limitées d'atteindre leurs objectifs et d'optimiser l'impact sur les patients.

Améliorer la connaissance des facteurs de croissance tumorale

Après avoir confirmé la présence et le type de cancer lors des biopsies, les pathologistes peuvent procéder au séquençage génétique des molécules d'ARN contenues dans les échantillons. Ils peuvent ainsi identifier les modifications génomiques qui influencent la croissance tumorale. Ces informations permettent de mener des recherches précieuses et de proposer des interventions personnalisées. Cependant, le coût et la longueur des méthodes actuelles incitent certains chercheurs à rechercher des alternatives viables.

Une équipe a créé un outil d'IA qui analyse les images de microscopie standard de biopsies pour prédire l'activité génétique des cellules tumorales. Leur innovation a été testée sur plus de 7,500 16 échantillons représentant XNUMX types de cancer et d'autres ensembles de données pertinents, notamment des images de cellules saines.

Ces chercheurs ont privilégié la convivialité grâce à une interprétation aisée, créant ainsi un programme basé sur l'IA pour présenter les informations génétiques sous forme de carte visuelle de biopsie tumorale. Cette décision permet aux utilisateurs d'identifier des variations distinctives dans des zones spécifiques. Le groupe s'est également appuyé sur une méthode de coloration standard pour visualiser les cellules cancéreuses, et l'outil a identifié l'expression génétique de plus de 15,000 XNUMX gènes dans les images colorées.

Leurs résultats ont montré une corrélation de plus de 80 % entre l'activité génétique prédite par l'IA et le comportement réel. Le modèle a généralement obtenu de meilleurs résultats lorsque l'échantillon de données comprenait davantage d'exemples d'un type de cancer spécifique.

Les expériences menées par cette équipe de recherche ont également démontré la validité potentielle de l'algorithme pour l'attribution de scores de risque génomique aux patientes atteintes d'un cancer du sein. Les patients classés comme plus à risque présentaient davantage de récidives et des intervalles plus courts entre elles.

L'IA a permis d'autres avancées médicales fascinantes. L'une d'elles permet de détecter la COVID-19. avec une précision allant jusqu'à 99 %, mettant en évidence une amélioration essentielle de la santé publique. Malgré l'importance de ces possibilités, les professionnels ne peuvent que compléter leur travail. Laisser l'IA remplacer l'expérience directe pourrait réduire les résultats positifs pour les patients.

Trouver les traitements les plus appropriés

Les personnes suivant des interventions liées au cancer décrivent le stress et les symptômes désagréables associés à des solutions potentiellement sous-optimales. Bien que de nombreuses personnes tolèrent les nausées, la perte de cheveux et autres, elles deviennent moins disposées à poursuivre si les premiers tests ne donnent pas de résultats prometteurs.

Tout le monde y gagne si les spécialistes du cancer identifient plus tôt les traitements les plus adaptés à chaque patient. L'approche classique pour concevoir des plans de soins consiste à étudier les scanners et les IRM avec un seul point de données par pixel, représenté en nuances de gris. Certains chercheurs utilisent l'IA pour progresser. Un outil peut examiner jusqu'à 30,000 XNUMX détails par pixel et analyser des échantillons de tissus aussi petits que 400 micromètres carrés, soit environ la largeur de cinq cheveux humains.

L'équipe a utilisé des échantillons donnés pour évaluer les résultats. Appliquée aux cas de cancer de la vessie, la plateforme d'IA a identifié un groupe cellulaire spécialisé qui crée des structures lymphoïdes tertiaires. Les connaissances actuelles suggèrent que celles-ci améliorent la réponse des patients à l'immunothérapie. De plus, l'outil a distingué les cellules cancéreuses et les tissus de la muqueuse dans les échantillons de cancer gastrique, permettant ainsi aux utilisateurs de déterminer plus précisément l'étendue de leur propagation.

Ces chercheurs estiment que leurs travaux pourraient permettre aux médecins d'identifier les traitements les plus efficaces pour différents cancers. Ce faisant, ils pourraient également optimiser la recherche pertinente en les aidant à extraire des données plus précieuses à partir d'images diagnostiques courantes.

Raccourcir les délais de développement des médicaments

La commercialisation de nouveaux traitements contre le cancer prend des années, et les perspectives dépendent de la réussite des essais cliniques. Des chercheurs londoniens a récemment créé une approche basée sur l'IA pour étudier la capacité des médicaments à atteindre leurs cibles. Se concentrer sur les options les plus efficaces pourrait améliorer les résultats et convaincre les autorités réglementaires d'élargir la disponibilité des produits.

L'équipe a utilisé près de 100,000 3 images de microscopie XNUMXD de cellules de mélanome, et des algorithmes d'apprentissage profond géométrique ont analysé leur forme. Les efforts précédents n'obtenaient que des données bidimensionnelles à partir d'échantillons sur lames de microscope, mais cette approche examine les cellules telles qu'elles apparaissent dans le corps. De plus, elle révèle comment elles changent de forme sous l'effet de traitements spécifiques et met en évidence la variabilité entre les populations cellulaires.

Cet outil a détecté avec une précision de plus de 99 % l'effet de médicaments spécifiques sur les cellules. Il a même identifié les changements de forme provoqués par les médicaments ciblant différentes protéines.

L'IA ayant révélé des altérations biochimiques, les chercheurs pensent que leur innovation pourrait mettre en évidence des cibles spécifiques à privilégier pour les nouveaux médicaments anticancéreux. Le logiciel réduirait ensuite la durée préclinique de trois ans à trois mois. De même, il pourrait réduire la durée des essais jusqu'à six ans, permettant ainsi d'identifier plus rapidement les patients les plus susceptibles d'en bénéficier et d'identifier les effets secondaires courants.

Rationalisation des tâches d'évaluation du cancer

L'IA a déjà amélioré les tâches des chercheurs en cancérologie, mais la plupart des outils ne gèrent que des aspects individuels du flux de travail. Les médecins spécialistes souhaitant intégrer cette technologie à leur travail doivent donc apprendre à utiliser plusieurs produits. Cependant, certains groupes souhaitent développer des solutions polyvalentes pour optimiser leur convivialité.

On a construit un modèle similaire à ChatGPT. Ils l'ont utilisé pour multiples processus évaluatifs liés à 19 différents types de cancer, démontrant ainsi sa polyvalence. Plus précisément, il a accéléré les tâches d'évaluation pour améliorer la détection, le pronostic et la réponse au traitement. Les développeurs estiment également que leur innovation est la première à prédire et valider les résultats pour plusieurs groupes de patients internationaux.

Le modèle d'IA lit des lames numériques contenant des échantillons tumoraux, analyse les profils moléculaires et détecte les cellules cancéreuses. Il examine également les tissus environnants, ce qui indique la réponse des patients aux traitements standards ou identifie les traitements les moins efficaces. Les expériences ont montré une plus grande précision que les produits actuellement disponibles. De plus, il a établi pour la première fois un lien entre certaines caractéristiques tumorales et une augmentation de la survie des patients, ouvrant potentiellement la voie à de nouveaux domaines de recherche.

Les chercheurs ont entraîné le modèle sur 15 millions d'images non étiquetées, divisées en segments selon les zones d'intérêt. Une étape ultérieure a exposé les algorithmes à 60,000 19 exemples de lames entières représentant les XNUMX types de cancer. Cette approche a permis à l'IA d'analyser des images entières pour obtenir des résultats complets.

L'équipe a ensuite testé son outil sur 19,400 32 images de diapositives entières issues de 24 ensembles de données indépendants. Provenant de XNUMX cohortes de patients et hôpitaux répartis dans le monde entier, ces informations fournissent un échantillon précis des conditions réelles.

Améliorer la valeur des images de microscopie biomédicale

Les chercheurs en cancérologie utilisent des images de microscopie biomédicale pour approfondir leurs travaux, mais les flux de travail actuels nécessitent plusieurs jours pour analyser ces données. Une équipe a développé une nouvelle technique de vision par ordinateur pour optimiser ces tâches essentielles. Elle utilise l'apprentissage automatique pour analyser des échantillons et identifier des caractéristiques communes aux tumeurs cancéreuses.

Cet outil obtient efficacement des résultats en examinant plusieurs zones de croissance individuelles et en les percevant comme un tout. D'autres produits analysant des images de microscopie biomédicale divisent les tumeurs volumineuses en zones plus petites et traitent ces portions comme des échantillons distincts. Cependant, ces images peuvent contenir jusqu'à 1 milliard de pixels, donc leur étude prend du temps.

Les développeurs envisagent que les cliniciens puissent établir des diagnostics quasi immédiats à partir d'images tumorales. Ces professionnels pourraient ensuite transmettre ces informations aux chirurgiens pratiquant des opérations d'extraction de tissus cancéreux, leur permettant ainsi d'utiliser les connaissances les plus récentes.

Des tests comparant cet outil aux techniques d'analyse d'images de référence les plus performantes ont montré une amélioration de près de 4 % et une précision de près de 88 % dans certains cas. Les chercheurs ont également souligné que les utilisateurs pouvaient l'appliquer à tout type de tumeur et à toute méthode de microscopie, ce qui le rendait largement applicable.

Faire progresser la recherche sur le cancer grâce à la vision par ordinateur

La vision par ordinateur basée sur l'IA peut améliorer la productivité des chercheurs en cancérologie, maximisant ainsi leurs résultats scientifiques et leurs effets sur les patients. Ces exemples illustrent le potentiel considérable de cette technologie, mais les professionnels souhaitant l'appliquer devraient le faire pour enrichir leur expertise et ne pas considérer les innovations comme infaillibles.