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 sul cancro hanno esplorato modi efficaci per utilizzarla per esaminare immagini, campioni microscopici, scansioni mediche e altro ancora. Alcuni approcci possono abbreviare i flussi di lavoro precedentemente farraginosi, consentendo ai team con risorse limitate di raggiungere gli obiettivi e aumentare l’impatto sui pazienti.

Migliorare la conoscenza dei fattori di crescita del tumore

Dopo aver confermato la presenza e il tipo di cancro nelle biopsie, i patologi possono eseguire la sequenza genetica delle molecole di 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 costosi e lunghi lasciano alcuni ricercatori alla ricerca di alternative valide.

Un team ha costruito uno strumento 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 set di dati rilevanti, tra cui immagini di cellule sane.

Questi ricercatori hanno dato priorità all’usabilità attraverso l’interpretazione facile, creando il loro programma basato su intelligenza artificiale per mostrare le informazioni relative ai geni come una mappa di biopsia tumorale visiva. Quella decisione consente agli utenti di identificare variazioni distinctive in aree specifiche. Il gruppo si è anche affidato a 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’intelligenza artificiale e il comportamento reale. Il modello ha generalmente funzionato meglio quando il set di dati 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. Le parti classificate come più a rischio hanno avuto più recidive e durate più brevi tra di loro.

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

Trovare i trattamenti più appropriati

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

Tutti traggono beneficio se gli specialisti del cancro identificano i trattamenti più personalizzati per i pazienti più velocemente. L’approccio tipico per progettare piani di cura prevede lo studio di scansioni TC e RM con un solo punto di dati per pixel, rappresentato come sfumature di grigio. Alcuni ricercatori utilizzano l’intelligenza artificiale per fare progressi. Uno strumento può esaminare fino a 30.000 dettagli per pixel e analizzare campioni di tessuto così piccoli 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 di intelligenza artificiale ha trovato un gruppo di cellule specializzate che crea strutture linfoidi terziarie. Le conoscenze attuali suggeriscono che queste migliorano le risposte all’immunoterapia dei pazienti. Inoltre, lo strumento ha differenziato le cellule cancerose e il tessuto mucoso nei campioni di cancro gastrico, aiutando gli utenti a individuare 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 richiede anni, e le prospettive dipendono da trial clinici di successo. I ricercatori di Londra hanno recentemente creato un approccio basato sull’intelligenza artificiale per studiare quanto bene i farmaci raggiungano i loro bersagli. Concentrarsi sulle opzioni più efficaci potrebbe migliorare i risultati, convincendo i regolatori ad ampliare la disponibilità dei prodotti.

Il gruppo ha utilizzato quasi 100.000 immagini di microscopia 3D di cellule di melanoma, e gli 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 i farmaci specifici abbiano influenzato le cellule. Ha anche identificato i cambiamenti di forma scatenati da quelli che colpiscono proteine diverse.

Poiché l’intelligenza artificiale 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 tempo preclinico da tre anni a tre mesi. Inoltre, potrebbe ridurre i trial di fino a sei anni, trovando più in fretta i pazienti più probabili a trarre beneficio e individuando gli effetti collaterali comuni.

Semplificare i compiti di valutazione del cancro

L’intelligenza artificiale ha già migliorato i compiti dei ricercatori sul cancro, ma la maggior parte degli strumenti gestisce solo parti individuali del flusso di lavoro. Ciò significa che i medici interessati a integrare la tecnologia nella loro routine lavorativa devono imparare a utilizzare diversi prodotti. Tuttavia, alcuni gruppi vogliono costruire soluzioni multipurpose per aumentare la facilità d’uso.

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

Il modello di intelligenza artificiale legge lastre digitali che contengono campioni di tumore, analizza i profili molecolari e trova le cellule cancerose. Esamina anche i tessuti che circondano le crescita, che indicano come i pazienti abbiano risposto ai trattamenti standard o mostrano ai ricercatori quali sono meno efficaci. Gli esperimenti hanno suggerito che è stato più preciso dei prodotti attualmente disponibili. Inoltre, ha collegato particolari caratteristiche del tumore a tassi di sopravvivenza dei pazienti aumentati 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’intelligenza artificiale a valutare intere immagini per risultati completi.

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

Migliorare il valore delle immagini di microscopia biomedica

I ricercatori sul cancro utilizzano immagini di microscopia biomedica per avanzare nel loro lavoro, ma i flussi di lavoro 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 una crescita individuale e percepisce come un tutto. Altri prodotti che analizzano le immagini di microscopia biomedica dividono i 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 dalle immagini dei tumori. Quindi, quei professionisti passerebbero le informazioni ai chirurghi che eseguono operazioni per estrarre tessuti cancerosi, consentendo loro di utilizzare le conoscenze più aggiornate.

I test che hanno confrontato questo strumento con le migliori tecniche di analisi di immagini di base hanno mostrato che è stato quasi il 4% migliore e ha raggiunto quasi l’88% di accuratezza 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.

Far progredire la ricerca sul cancro con la visione computerizzata

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