Bagaimana Penglihatan Komputer Meningkatkan Penelitian Kanker

Penglihatan komputer adalah kecerdasan buatan yang memungkinkan algoritma untuk mengekstrak informasi yang berarti dari video dan gambar. Peneliti kanker telah mengeksplorasi cara-cara efektif untuk menggunakannya untuk memeriksa gambar, sampel mikroskopis, pemindaian medis, dan lain-lain. Beberapa pendekatan dapat mempersingkat alur kerja yang sebelumnya merepotkan, memungkinkan tim yang terbatas sumber daya untuk mencapai tujuan dan meningkatkan dampak pasien.

Meningkatkan Pengetahuan tentang Penggerak Pertumbuhan Tumor

Setelah mengkonfirmasi kehadiran dan jenis kanker dalam biopsi, ahli patologi mungkin melakukan sekuen genetik pada molekul RNA dalam sampel. Kemudian, mereka dapat menemukan perubahan genetik mana yang mempengaruhi pertumbuhan tumor. Informasi tersebut memajukan penelitian yang berharga dan intervensi yang dipersonalisasi. Namun, biaya dan proses yang panjang dari metode saat ini membuat beberapa peneliti mencari alternatif yang layak.

Satu tim membangun alat AI yang menganalisis gambar mikroskopi standar dari biopsi untuk memprediksi aktivitas genetik dalam sel tumor. Mereka melatih inovasi mereka pada lebih dari 7.500 sampel yang mewakili 16 jenis kanker dan dataset lain yang relevan, termasuk gambar sel sehat.

Peneliti ini memprioritaskan kemudahan penggunaan melalui interpretasi yang mudah, membuat program AI mereka menampilkan informasi terkait gen sebagai peta biopsi tumor visual. Keputusan itu memungkinkan pengguna untuk mengidentifikasi variasi khas dalam area tertentu. Kelompok ini juga mengandalkan metode pewarnaan standar untuk memvisualisasikan sel kanker, dan alat tersebut mengidentifikasi ekspresi genetik dari lebih dari 15.000 gen dalam gambar yang diwarnai.

Temuan mereka menunjukkan korelasi lebih dari 80% antara aktivitas genetik yang diprediksi oleh AI dan perilaku sebenarnya. Model tersebut umumnya berperforma lebih baik ketika dataset sampel mencakup lebih banyak contoh dari jenis kanker tertentu.

Eksperimen tim penelitian ini juga menunjukkan potensi validitas algoritma untuk menetapkan skor risiko genetik kepada pasien dengan kanker payudara. Pihak yang dikategorikan sebagai lebih berisiko memiliki lebih banyak kekambuhan dan durasi yang lebih singkat di antaranya.

Orang-orang telah menggunakan AI untuk kemajuan medis lain yang menarik. Salah satu perkembangan dapat mendeteksi COVID-19 dengan akurasi hingga 99%, menunjukkan peningkatan kesehatan masyarakat yang penting. Meskipun kemajuan ini mengesankan, para profesional harus hanya melengkapi pekerjaan mereka dengan teknologi ini. Membiarkan AI menggantikan pengalaman langsung bisa mengurangi hasil pasien yang positif.

Mencari Pengobatan yang Paling Tepat

Pasien yang menjalani intervensi terkait kanker merincikan stres dan gejala yang tidak menyenangkan yang terkait dengan solusi yang potensial suboptimal. Meskipun banyak orang toleran terhadap mual, kehilangan rambut, dan lain-lain, mereka menjadi kurang setuju untuk melanjutkan jika tes awal tidak menunjukkan hasil yang menjanjikan.

Semua orang diuntungkan jika spesialis kanker mengidentifikasi pengobatan yang paling sesuai untuk pasien lebih cepat. Pendekatan umum untuk merancang rencana perawatan melibatkan mempelajari pemindaian CT dan MRI dengan hanya satu titik data per piksel, yang diwakili sebagai nuansa abu-abu. Beberapa peneliti menggunakan AI untuk membuat kemajuan. Salah satu alat dapat memeriksa hingga 30.000 detail per piksel dan menganalisis sampel jaringan sekecil 400 mikrometer persegi — sekitar lebar lima helai rambut manusia.

Tim tersebut menggunakan sampel sumbangan untuk menilai hasilnya. Ketika diterapkan pada kasus kanker kandung kemih, platform AI menemukan kelompok sel khusus yang menciptakan struktur limfoid tersier. Pengetahuan saat ini menunjukkan bahwa struktur ini meningkatkan respons imunoterapi pasien. Selain itu, alat tersebut membedakan antara sel kanker dan jaringan mukosa pada sampel kanker lambung, membantu pengguna untuk lebih akurat menentukan seberapa jauh penyebarannya.

Peneliti ini percaya bahwa upaya mereka bisa menunjukkan kepada dokter pengobatan mana yang paling efektif untuk berbagai jenis kanker. Jika demikian, hal itu juga bisa merampingkan penelitian yang relevan dengan membantu mereka mengekstrak data yang lebih berharga dari gambar diagnostik yang umum.

Mempercepat Waktu Pengembangan Obat

Membuat pengobatan kanker baru yang tersedia secara komersial membutuhkan waktu bertahun-tahun, dan prospeknya bergantung pada uji klinis yang sukses. Peneliti di London baru-baru ini menciptakan pendekatan AI untuk mempelajari seberapa baik obat mencapai targetnya. Fokus pada pilihan yang paling efektif bisa meningkatkan hasil, meyakinkan regulator untuk memperluas ketersediaan produk.

Kelompok tersebut menggunakan hampir 100.000 gambar mikroskopi 3D dari sel melanoma, dan algoritma pembelajaran geometrik dalam menganalisis bentuknya. Upaya sebelumnya hanya mendapatkan data dua dimensi dari sampel pada slide mikroskop, tetapi pendekatan ini memeriksa sel seperti yang muncul dalam tubuh. Selain itu, hal ini mengungkapkan bagaimana mereka berubah bentuk karena pengobatan tertentu dan menunjukkan variabilitas di seluruh populasi sel.

Alat ini lebih dari 99% akurat dalam mendeteksi bagaimana obat tertentu mempengaruhi sel. Bahkan mengidentifikasi perubahan bentuk yang dipicu oleh obat yang menargetkan protein yang berbeda.

Karena AI mengungkapkan perubahan biokimia, peneliti ini berpikir bahwa inovasi mereka bisa menyoroti target tertentu untuk ditekankan dengan obat kanker baru. Kemudian, perangkat lunak tersebut akan memperkecil kerangka waktu pra-klinis dari tiga tahun menjadi tiga bulan. Selain itu, hal itu bisa mengurangi uji coba hingga enam tahun, lebih cepat menemukan pasien yang paling mungkin diuntungkan dan menentukan efek sampingan yang umum.

Mempermudah Tugas Evaluasi Kanker

AI telah meningkatkan tugas peneliti kanker, tetapi sebagian besar alat hanya menangani bagian individual dari alur kerja. Artinya, spesialis medis yang tertarik untuk mengintegrasikan teknologi ke dalam hari kerja mereka perlu belajar menggunakan beberapa produk. Namun, beberapa kelompok ingin membangun solusi multipurpose untuk meningkatkan kemudahan penggunaan.

Satu kelompok membangun model serupa dengan ChatGPT. Mereka menggunakannya untuk berbagai proses evaluatif yang terkait dengan 19 jenis kanker, menunjukkan fleksibilitasnya. Lebih khusus, hal itu mempercepat tugas evaluasi untuk deteksi yang ditingkatkan, prognosis, dan respons pengobatan. Pengembang juga percaya bahwa inovasi mereka adalah yang pertama untuk memprediksi dan memvalidasi hasil di seluruh kelompok pasien internasional.

Model AI membaca slide digital yang berisi sampel tumor, menganalisis profil molekuler, dan menemukan sel kanker. Hal ini juga memeriksa jaringan di sekitar pertumbuhan, yang menunjukkan bagaimana pasien telah merespons pengobatan standar atau menunjukkan kepada peneliti mana yang kurang efektif. Eksperimen menunjukkan bahwa hal ini lebih akurat daripada produk yang tersedia saat ini. Selain itu, hal ini menghubungkan karakteristik tumor tertentu dengan tingkat kelangsungan hidup pasien yang lebih tinggi, yang berpotensi membuka area penelitian baru.

Peneliti ini melatih model pada 15 juta gambar yang tidak berlabel yang dibagi menjadi bagian-bagian tergantung pada area minat. Langkah selanjutnya memaparkan algoritma pada 60.000 contoh slide lengkap yang mewakili 19 jenis kanker. Pendekatan ini mengajarkan AI untuk menilai gambar secara keseluruhan untuk hasil yang menyeluruh.

Kemudian, kelompok ini menguji alat mereka pada 19.400 gambar slide lengkap yang ditemukan dalam 32 dataset independen. Karena informasi tersebut berasal dari 24 kohort pasien dan rumah sakit yang berlokasi di seluruh dunia, hal ini menyediakan sampel yang akurat dari kondisi kehidupan nyata.

Meningkatkan Nilai Gambar Mikroskopi Biomedis

Peneliti kanker menggunakan gambar mikroskopi biomedis untuk memajukan pekerjaan mereka, tetapi alur kerja yang ada membutuhkan waktu beberapa hari untuk memeriksa data ini. Satu tim mengembangkan teknik penglihatan komputer baru untuk membuat tugas penting ini lebih efisien. Hal ini menggunakan pembelajaran mesin untuk menganalisis sampel dan menemukan karakteristik yang umum di antara tumor kanker.

Alat ini dengan efisien mendapatkan hasil dengan memeriksa beberapa area dari pertumbuhan individual dan memandangnya sebagai satu kesatuan. Produk lain yang menganalisis gambar mikroskopi biomedis membagi tumor besar menjadi potongan-potongan kecil dan mengobati bagian-bagian tersebut sebagai sampel terpisah. Namun, gambar ini dapat mengandung hingga 1 miliar piksel, sehingga membutuhkan waktu lama untuk dipelajari.

Pengembang membayangkan dokter bisa membuat diagnosis segera dari gambar tumor. Kemudian, para profesional tersebut akan meneruskan informasi kepada ahli bedah yang melakukan operasi untuk mengangkat jaringan kanker, memungkinkan mereka untuk menggunakan wawasan terbaru.

Tes yang membandingkan alat ini dengan teknik analisis gambar baseline yang berperforma terbaik menunjukkan bahwa hal ini hampir 4% lebih baik dan mencapai akurasi hampir 88% dalam beberapa kasus. Peneliti juga menekankan bahwa pengguna bisa menerapkan hal ini pada jenis tumor apa pun dan metode mikroskopi, membuatnya sangat fleksibel.

Mendorong Penelitian Kanker dengan Penglihatan Komputer

Penglihatan komputer yang didorong oleh AI dapat meningkatkan output peneliti kanker, memaksimalkan hasil ilmiah dan pasien. Contoh-contoh ini menggambarkan potensi yang melimpah, tetapi para profesional yang tertarik untuk menerapkan teknologi ini harus melakukannya untuk melengkapi keahlian yang diperoleh dan tidak menganggap inovasi sebagai bukti yang tak terbantahkan.