コンピュータビジョンががん研究をどのように強化するか
著者 Zac Amos コンピュータビジョンは、アルゴリズムがビデオや画像から有意義な情報を抽出できるようにする人工知能です。がん研究者は、画像、顕微鏡サンプル、医療スキャンなどを調査するためにそれを使用するための効果的な方法を探索してきました。いくつかのアプローチは、以前は面倒なワークフローを短縮することができ、リソースに乏しいチームが目標を達成し、患者への影響を高めることができます。がんの成長要因の知識を向上させる病理学者は、がんの存在と種類を生検で確認した後、サンプル内のRNA分子に対して遺伝子シーケンシングを実行することがあります。次に、腫瘍の成長に影響を与える遺伝子変化を見つけることができます。その情報は、有価値な研究と個別化された介入を促進します。しかし、現在の方法の高コストと長いプロセスは、実行可能な代替手段を求める研究者を残しています。あるチームは、標準の顕微鏡画像を分析するAIツールを開発しました。がんの16種類とその他の関連データセット、健康な細胞の画像を含む7,500以上のサンプルでその革新を訓練しました。これらの研究者は、使いやすさを優先し、AI駆動のプログラムを開発して、遺伝子関連の情報を視覚的な腫瘍生検マップとして表示します。その決定により、ユーザーは特定の領域の独自のバリエーションを識別できます。グループはまた、がん細胞を視覚化するための標準的な染色方法に頼り、ツールは染色された画像内で15,000以上の遺伝子の遺伝子発現を識別しました。彼らの研究結果は、AIによって予測された遺伝子活動と実際の行動の間で80％以上の相関関係を示しました。モデルは、サンプルデータセットに特定のがんタイプの例が多く含まれている場合に一般的に優れています。この研究チームの実験はまた、アルゴリズムが乳がん患者にゲノムリスクスコアを割り当てるための潜在的な有効性を示しました。リスクのあると分類された患者は、再発が多く、再発間の期間が短くなりました。人々は、他の魅力的な医療の進歩のためにAIを使用してきました。1つの開発は、COVID-19を99％の精度で検出できます。これは、重要な公衆衛生の改善を示しています。ただし、これらの可能性の印象にもかかわらず、専門家はそれらを補完するためにのみ使用する必要があります。AIに第一人者の経験を置き換えることは、患者への良い結果を減らす可能性があります。最も適切な治療法を見つけるがん関連の介入を受けている人は、潜在的に最適化されていない解決策に関連するストレスと不快な症状について詳細に説明しています。多くの個人にとって、吐き気、脱毛などが耐えられますが、初期のテストで約束のある結果が見られない場合は、継続することに同意しないことがあります。がん専門家が患者ごとに最適な治療法を早期に特定することは、すべての人が利益を得ることになります。ケアプランを設計するための通常のアプローチは、1つのピクセルごとに1つのデータポイントのみを使用するCTスキャンとMRIスキャンを調査することです。いくつかの研究者は、AIを使用して進歩を遂げています。1つのツールは、1ピクセルあたり最大30,000の詳細を分析し、400平方マイクロメートル以下の組織サンプルを分析できます。つまり、5本の人間の毛の幅に相当します。チームは、結果を評価するために提供されたサンプルを使用しました。膀胱がんの症例に適用された場合、AIプラットフォームは、三次リンパ性構造を生成する特殊な細胞グループを見つけました。現在の知識によると、これらの構造は、患者が免疫療法に反応するのを改善します。さらに、ツールは、胃がんのサンプルでがん細胞と粘膜組織を区別し、ユーザーがその拡散の範囲をより正確に特定するのに役立ちました。これらの研究者は、医師がさまざまながんに対してどの治療法が最も効果的かを示すことができると考えています。そうであれば、医師が一般的な診断画像からより貴重なデータを抽出するのに役立つことで、関連する研究を簡素化することにもなります。がん治療薬の開発期間を短縮する新しいがん治療薬を商業的に利用可能にするには、数年かかります。その見通しは、成功した臨床試験に依存しています。ロンドンの研究者は、薬剤が標的を効果的に達成するかどうかを調べるためのAIを使用したアプローチを最近開発しました。最も効果的な選択肢に焦点を当てると、結果が改善され、規制当局が製品の利用可能性を拡大するよう説得することができます。グループは、ほぼ100,000の黒色腫細胞の3D顕微鏡画像を使用し、幾何学的深層学習アルゴリズムはその形状を分析しました。以前の努力は、顕微鏡スライド上のサンプルから2次元のデータのみを取得しましたが、このアプローチは、細胞が体内で現れるように、細胞を調査します。さらに、特定の治療によって引き起こされる形状の変化や細胞集団全体の変異を示します。このツールは、特定の薬剤が細胞に与える影響を検出する際に99％以上の精度を示しました。さらに、異なるタンパク質を標的とするものによって引き起こされる形状の変化を識別しました。このAIは生化学的変化を明らかにしたため、研究者は革新が新しいがん治療薬に重点を置く特定の標的を強調する可能性があると考えています。次に、ソフトウェアは、3年間の前臨床期間を3ヶ月に縮小し、最大6年間の試験を削減することで、最も利益を得る可能性のある患者を見つけるのに役立ち、一般的な副作用を特定することができます。がん評価タスクの効率化AIはすでにがん研究者のタスクを強化していますが、ほとんどのツールはワークフローの個々の部分のみを処理します。つまり、医療専門家は仕事にテクノロジーを統合するために、複数の製品を使用する方法を学ぶ必要があります。しかし、いくつかのグループは、ユーザビリティを高めるために、多目的のソリューションを構築したいと考えています。あるグループは、ChatGPTに似たモデルを構築しました。彼らは、19種類のがんタイプに関連する複数の評価プロセスにそれを使用しました。さらに、検出、予後、治療反応のための評価タスクを加速しました。開発者はまた、その革新が最初に複数の国際的な患者グループ全体で結果を予測および検証したと考えています。AIモデルは、腫瘍サンプルを含むデジタルスライドを読み取り、分子プロファイルを分析し、がん細胞を見つけます。さらに、腫瘍の周囲の組織を調査し、患者が標準的な治療に反応したか、または効果が低い治療を示します。実験は、それが現在利用可能な製品よりも正確であることを示唆しました。さらに、特定の腫瘍の特徴を患者への生存率の向上と初めて関連付け、潜在的に新しい研究分野を開拓しました。研究者は、15百万のラベル付けされていない画像を、関心領域ごとに分割してモデルを訓練しました。後のステップでは、アルゴリズムを19種類のがんタイプを表す60,000の全スライド画像に公開しました。このアプローチにより、AIは画像全体を徹底的に評価することを学びました。次に、グループは、32の独立したデータセットに含まれる19,400の全スライド画像でツールをテストしました。情報は、24のグローバルに位置する患者コホートと病院から得られたため、現実の状況の正確なサンプルを提供します。生体顕微鏡画像の価値を高めるがん研究者は、研究を進めるために生体顕微鏡画像を使用しますが、既存のワークフローではデータを調査するのに数日かかります。1つのチームは、タスクをより効率的にするために、サンプルを分析し、がん性腫瘍間の共通の特徴を見つける新しいコンピュータビジョンテクニックを開発しました。ツールは、個々の腫瘍の複数の領域を調査し、それらを全体として認識することで結果を効率的に取得します。他の製品は、生体顕微鏡画像を分析しますが、大きな腫瘍を小さなパッチに分割し、パッチを個別のサンプルとして扱います。ただし、これらの画像は、1億ピクセルを含む可能性があるため、調査するのに時間がかかります。開発者は、臨床医が腫瘍画像からほぼ瞬時に診断を行うことができる可能性を想定しています。次に、医師は情報をがん性組織を除去する手術を実行する外科医に渡し、最も最新の洞察を使用できるようにします。ツールと最も優れたベースライン画像分析テクニックの比較テストは、約4%の改善と、一部の症例では約88%の精度を達成したことを示しました。研究者は、ユーザーがそれを任意の腫瘍タイプや生体顕微鏡法に適用できることを強調しました。これにより、幅広い適用可能性が実現します。コンピュータビジョンでがん研究を前進させるAI駆動のコンピュータビジョンは、がん研究者の出力を高め、科学的および患者関連の結果を最大化する可能性があります。これらの例は豊富な可能性を示していますが、テクノロジーを適用したいと考えている専門家は、獲得した専門知識を補完するためにのみそれを使用し、革新を万能の解決策として扱うべきではありません。
