Come la visione computerizzata migliora la ricerca sul cancro

La visione computerizzata è un’intelligenza artificiale che consente agli algoritmi di estrarre informazioni significative da video e immagini. I ricercatori del cancro hanno esplorato modi efficaci per utilizzarla per esaminare immagini, campioni microscopici, scansioni mediche e altro ancora. Alcuni approcci possono abbreviare workflow precedentemente farraginosi, consentendo a team con risorse limitate di raggiungere gli obiettivi e aumentare l’impatto sui pazienti.

Migliorare la conoscenza dei fattori di crescita tumorale

Dopo aver confermato la presenza e il tipo di cancro nelle biopsie, i patologi possono eseguire la sequenza genetica degli RNA all’interno dei campioni. Quindi, possono scoprire quali cambiamenti genetici influenzano la crescita del tumore. Quelle informazioni favoriscono ricerche preziose e interventi personalizzati. Tuttavia, i metodi attuali sono costosi e lunghi, lasciando alcuni ricercatori alla ricerca di alternative valide.

Un team ha costruito uno strumento AI che analizza immagini di microscopia standard di biopsie per prevedere l’attività genetica all’interno delle cellule tumorali. Hanno addestrato la loro innovazione su oltre 7.500 campioni rappresentanti 16 tipi di cancro e altri dataset rilevanti, inclusi immagini di cellule sane.

Questi ricercatori hanno dato priorità all’usabilità attraverso l’interpretazione facile, creando il loro programma AI per mostrare le informazioni correlate ai geni come una mappa di biopsia tumorale visiva. Quella decisione consente agli utenti di identificare variazioni distintive in aree specifiche. Il gruppo ha anche utilizzato un metodo di colorazione standard per visualizzare le cellule cancerose, e lo strumento ha identificato le espressioni genetiche di oltre 15.000 geni all’interno delle immagini colorate.

I loro risultati hanno indicato una correlazione di oltre l’80% tra l’attività genetica prevista dall’AI e il comportamento reale. Il modello ha generalmente performato meglio quando il dataset del campione includeva più esempi di un tipo di cancro specifico.

Gli esperimenti di questo team di ricerca hanno anche mostrato il potenziale della validità dell’algoritmo per assegnare punteggi di rischio genetico ai pazienti con cancro al seno. I gruppi classificati come più a rischio avevano più recidive e intervalli più brevi tra di loro.

Le persone hanno utilizzato l’AI per altre affascinanti conquiste mediche. Uno sviluppo può rilevare il COVID-19 con una precisione fino al 99%, mostrando un miglioramento essenziale per la salute pubblica. Nonostante l’impressione di queste possibilità, i professionisti devono utilizzarle solo per complementare il loro lavoro. Lasciare che l’AI sostituisca l’esperienza diretta potrebbe ridurre i risultati positivi per i pazienti.

Trovare i trattamenti più appropriati

Le persone che subiscono interventi correlati al cancro descrivono lo stress e i sintomi sgradevoli associati a soluzioni potenzialmente subottimali. Sebbene molti individui tollerino la nausea, la perdita di capelli e altro, diventano meno disposti a continuare se i test iniziali non mostrano risultati promettenti.

Tutti traggono beneficio se gli specialisti del cancro identificano i trattamenti più adatti ai pazienti più velocemente. L’approccio tipico per progettare piani di cura coinvolge lo studio di scansioni TC e RM con un solo punto di dati per pixel, rappresentato come sfumature di grigio. Alcuni ricercatori utilizzano l’AI per fare progressi. Uno strumento può esaminare fino a 30.000 dettagli per pixel e analizzare campioni di tessuto di piccole dimensioni, come 400 micrometri quadrati — circa la larghezza di cinque capelli umani.

Il team ha utilizzato campioni donati per valutare gli esiti. Quando applicato a casi di cancro alla vescica, la piattaforma AI ha trovato un gruppo di cellule specializzate che crea strutture linfoidi terziarie. La conoscenza attuale suggerisce che queste migliorano le risposte dell’immunoterapia dei pazienti. Inoltre, lo strumento ha differenziato tra cellule cancerose e tessuto mucoso in campioni di cancro gastrico, aiutando gli utenti a identificare più precisamente l’estensione della loro diffusione.

Questi ricercatori credono che i loro sforzi potrebbero mostrare ai medici quali trattamenti funzionano meglio per vari tipi di cancro. Se così fosse, potrebbe anche semplificare la ricerca rilevante aiutandoli a estrarre più dati preziosi da immagini diagnostiche comuni.

Ridurre i tempi di sviluppo dei farmaci

Rendere disponibili nuovi trattamenti per il cancro sul mercato richiede anni, e le prospettive dipendono da trial clinici di successo. I ricercatori di Londra hanno recentemente creato un approccio abilitato all’AI per studiare quanto bene i farmaci raggiungono i loro bersagli. Concentrarsi sulle opzioni più efficaci potrebbe migliorare i risultati, convincendo i regolatori ad ampliare la disponibilità del prodotto.

Il gruppo ha utilizzato quasi 100.000 immagini di microscopia 3D di cellule di melanoma, e algoritmi di apprendimento geometrico profondo hanno analizzato la loro forma. Gli sforzi precedenti hanno ottenuto solo dati bidimensionali da campioni su vetrini per microscopio, ma questo approccio esamina le cellule come appaiono nel corpo. Inoltre, rivela come cambiano forma a causa di trattamenti specifici e mostra la variabilità all’interno delle popolazioni cellulari.

Questo strumento è stato più del 99% preciso nel rilevare come specifici farmaci hanno influenzato le cellule. Ha anche identificato cambiamenti di forma scatenati da quelli che bersagliano proteine diverse.

Poiché l’AI ha rivelato alterazioni biochimiche, i ricercatori pensano che la loro innovazione potrebbe evidenziare bersagli specifici da enfatizzare con nuovi farmaci contro il cancro. Quindi, il software ridurrebbe il periodo di sviluppo preclinico da tre anni a tre mesi. Inoltre, potrebbe ridurre i trial di fino a sei anni, trovando più velocemente i pazienti che trarranno più beneficio e identificando gli effetti collaterali comuni.

Semplificare i compiti di valutazione del cancro

L’AI ha già migliorato i compiti dei ricercatori del cancro, ma la maggior parte degli strumenti gestisce solo parti individuali del workflow. Ciò significa che gli specialisti medici interessati a integrare la tecnologia nel loro lavoro quotidiano devono imparare a utilizzare più prodotti. Tuttavia, alcuni gruppi vogliono costruire soluzioni multipurpose per aumentare la facilità d’uso.

Uno ha costruito un modello simile a ChatGPT. L’hanno utilizzato per diversi processi valutativi legati a 19 tipi di cancro, mostrando la sua versatilità. In particolare, ha accelerato i compiti di valutazione per una rilevazione, prognosi e risposte ai trattamenti migliorate. Gli sviluppatori credono anche che la loro innovazione sia la prima a prevedere e convalidare i risultati in diversi gruppi di pazienti internazionali.

Il modello AI legge lastre digitali contenenti campioni di tumori, analizza i profili molecolari e trova cellule cancerose. Esamina anche i tessuti circostanti le crescita, che indicano come i pazienti hanno risposto ai trattamenti standard o mostrano ai ricercatori quali sono meno efficaci. Gli esperimenti hanno suggerito che è più preciso dei prodotti attualmente disponibili. Inoltre, ha collegato caratteristiche tumorali specifiche a tassi di sopravvivenza aumentati per i pazienti per la prima volta, potenzialmente sbloccando nuove aree di ricerca.

I ricercatori hanno addestrato il modello su 15 milioni di immagini non etichettate divise in chunk in base alle aree di interesse. Un passaggio successivo ha esposto gli algoritmi a 60.000 esempi di lastre intere rappresentanti i 19 tipi di cancro. Questo approccio ha insegnato all’AI a valutare intere immagini per risultati completi.

Quindi, il gruppo ha testato il loro strumento su 19.400 lastre intere trovate in 32 dataset indipendenti. Poiché quelle informazioni provenivano da 24 cohorte di pazienti e ospedali in tutto il mondo, forniscono un campione accurato di condizioni reali.

Migliorare il valore delle immagini di microscopia biomedica

I ricercatori del cancro utilizzano immagini di microscopia biomedica per avanzare nel loro lavoro, ma i workflow esistenti richiedono giorni per esaminare questi dati. Un team ha sviluppato una nuova tecnica di visione computerizzata per rendere quei compiti essenziali più efficienti. Utilizza l’apprendimento automatico per analizzare i campioni e trovare caratteristiche condivise tra tumori cancerosi.

Lo strumento ottiene risultati efficienti esaminando più aree di crescita individuale e percepisce l’intero. Altri prodotti che analizzano immagini di microscopia biomedica dividono grandi tumori in patch più piccole e trattano le porzioni come campioni separati. Tuttavia, queste immagini possono contenere fino a 1 miliardo di pixel, quindi sono lunghe da studiare.

I sviluppatori immaginano che i clinici potrebbero effettuare diagnosi immediate da immagini di tumori. Quindi, quei professionisti passerebbero le informazioni ai chirurghi che eseguono operazioni per estrarre tessuti cancerosi, consentendo loro di utilizzare le informazioni più aggiornate.

I test che confrontano questo strumento con le migliori tecniche di analisi di immagini di base hanno mostrato che è quasi il 4% migliore e ha raggiunto quasi l’88% di precisione in alcuni casi. I ricercatori hanno anche sottolineato che gli utenti potrebbero applicarlo a qualsiasi tipo di tumore e metodo di microscopia, rendendolo ampiamente applicabile.

Spingere la ricerca sul cancro avanti con la visione computerizzata

La visione computerizzata guidata dall’AI può elevare la produttività dei ricercatori del cancro, massimizzando i loro risultati scientifici e correlati ai pazienti. Questi esempi illustrano il potenziale abbondante, ma i professionisti interessati a utilizzare la tecnologia dovrebbero farlo per aumentare la loro esperienza acquisita e non trattare le innovazioni come infallibili.