컴퓨터 비전이 암 연구를 강화하는 방법

컴퓨터 비전은 알고리즘이 비디오와 이미지에서 유의미한 정보를 추출할 수 있는 인공 지능입니다. 암 연구자들은 이를 사용하여 사진, 현미경 샘플, 의료 스캔 등을 검사하는 효과적인 방법을 탐색했습니다. 일부 접근 방식은 이전에 번거로운 워크플로를 단축할 수 있어 자원 부족한 팀이 목표를 달성하고 환자 결과를 높일 수 있습니다.

암 성장 요인에 대한 지식 향상

병리학자들은 생체 검사에서 암의 존재와 유형을 확인한 후 샘플 내의 RNA 분자에 대한 유전적 시퀀싱을 수행할 수 있습니다. 그런 다음 они 종양의 성장에 영향을 미치는 유전적 변화를 찾을 수 있습니다. 이러한 정보는 귀중한 연구와 개인화된 개입을 더욱 발전시킵니다. 그러나 현재 방법의 비용과 긴 프로세스는 일부 연구자들이 대안을 찾도록 만듭니다.

한 팀은 표준 현미경 이미지를 분석하여 종양 세포 내의 유전적 활동을 예측하는 AI 도구를 구축했습니다. mereka는 16가지 암 유형과 관련 데이터셋을 포함하여 7,500개 이상의 샘플에 대한 훈련을 받았습니다.

이 연구자들은 사용 편의성을 위해 쉽게 해석할 수 있는 방식으로 작업을 수행했습니다. 그들은 종양 생체 검사 지도 형태로 유전자 관련 정보를 표시했습니다. 이 결정은 사용자가 특정 영역의 뚜렷한 변화를 식별할 수 있도록 합니다. 또한 표준 염색 방법을 사용하여 암 세포를 시각화하고 도구는 염색된 이미지 내에서 15,000개 이상의 유전자의 유전적 발현을 식별했습니다.

그들의 연구 결과는 AI 예측 유전적 활동과 실제 행동 사이에 80% 이상의 상관관계를 나타냅니다. 모델은 특정 암 유형의 샘플 데이터셋이 더 많을 때 일반적으로 더 잘 수행됩니다.

이 연구 팀의 실험은 또한 알고리즘의 유전적 위험 점수를 암 환자에게 할당하는 데 잠재적으로 유효할 수 있음을 보여주었습니다. 위험한 것으로 분류된 환자는 더 많은 재발과 더 짧은 기간이 있었습니다.

사람들은 의료 분야에서 다른 매혹적인 발전을 위해 AI를 사용했습니다. 하나의 개발은 99%의 정확도로 COVID-19를 감지할 수 있습니다. 이는 중요한 공중 보건 향상을 보여줍니다. 이러한 가능성의 인상에 비해 전문가들은 자신의 작업을 보완하기 위해만이를 사용해야 합니다. AI가 직접적인 경험을 대체하는 경우 환자 결과가 좋지 않을 수 있습니다.

가장 적합한 치료법 찾기

암 관련 치료를 받는 사람들은 잠재적으로 최적이 아닌 솔루션과 관련된 스트레스와 불쾌한 증상을 설명합니다. 많은 사람들이 메스꺼움, 탈모 등에耐性이 있지만 초기 테스트에서 약속된 결과가 나타나지 않으면 계속하기를 거부할 수 있습니다.

암 전문가가 환자별 최적의 치료법을 더 빨리 식별할 수 있다면 모든 사람이 혜택을 받습니다. 치료 계획을 설계하는 일반적인 접근 방식은 픽셀당 하나의 데이터 포인트만 있는 CT 및 MRI 스캔을 연구하는 것입니다. 일부 연구자들은 AI를 사용하여 발전을 이루고 있습니다. 하나의 도구는 픽셀당 최대 30,000개의 세부 사항을 분석할 수 있으며 400제곱 마이크로미터 크기인 5개의 인간 머리카락 너비의 조직 샘플을 분석할 수 있습니다.

팀은 기증된 샘플을 사용하여 결과를 평가했습니다. 방광 암 사례에 적용했을 때 AI 플랫폼은 3차 림프구 구조를 생성하는 전문 세포 그룹을 발견했습니다. 현재 지식에 따르면 이러한 구조는 환자의 면역 요법 반응을 향상시킵니다. 또한 도구는 위암 샘플에서 암 세포와 조직 점액을 구분하여 사용자가 암의 확산 범위를 더 정확하게 찾을 수 있도록 도왔습니다.

이 연구자들은 자신의 노력이 다양한 암에 대해 어떤 치료법이 가장 잘 작동하는지 의사들에게 보여줄 수 있다고 믿습니다. 그렇게 된다면 이는 의사들이 일반적인 진단 이미지에서 더 가치 있는 데이터를 추출하여 관련 연구를 간소화하는 데 도움이 될 수 있습니다.

신약 개발 시간 단축

새로운 암 치료법을 상업적으로 사용할 수 있게 하려면 수년이 걸리고 성공적인 임상 시험에 달려 있습니다. 런던의 연구자들은 신약 개발을 위한 AI 기반 접근 방식을 최근 개발했습니다. 가장 효과적인 옵션에 초점을 맞추면 결과가 개선될 수 있으며 규제 당국이 제품을 더 널리 사용할 수 있도록 할 수 있습니다.

그룹은 거의 100,000개의 3D 현미경 이미지를 사용했으며 기하학적 딥 러닝 알고리즘은 세포의 모양을 분석했습니다. 이전의 노력은 현미경 슬라이드上的 샘플에서 2차원 데이터만 얻었습니다. 그러나 이 접근 방식은 세포가 신체에서 나타나는 것처럼 검사하고 특정 치료로 인한 모양의 변화를 보여줍니다. 또한 세포 집단 전체에 걸쳐 변동성을 나타냅니다.

이 도구는 특정 약물이 세포에 미치는 영향을檢測하는 데 99% 이상의 정확도를 보였습니다. 또한 다른 단백질을 표적으로 하는 약물에 의해 유발되는 모양의 변화를 식별했습니다.

이 도구가 생화학적 변화를 보여주기 때문에 연구자들은 자신의 혁신이 새로운 암 약물 개발을 위한 특정 표적을 강조하는 데 도움이 될 수 있다고 생각합니다. 그런 다음 소프트웨어는 전임상 기간을 3년에서 3개월로 단축할 수 있습니다. 또한 6년까지 임상을 줄일 수 있으며 더 빠르게 환자에게 혜택을 받을 수 있는 환자를 찾을 수 있으며 일반적인 부작용을 식별할 수 있습니다.

암 평가 작업 단순화

AI는 이미 암 연구자의 작업을 강화했습니다. 그러나 대부분의 도구는 워크플로의 개별 부분만 처리합니다. 즉, 기술을 일상적으로 통합하려는 의료 전문가들은 여러 제품을 사용하는 방법을 배워야 합니다. 그러나 일부 그룹은 사용자 친화적인 多目的 솔루션을 구축하고자 합니다.

한 그룹은 ChatGPT와 유사한 모델을 구축했습니다. 그들은 19가지 암 유형과 관련된 여러 평가 프로세스에이를 사용했습니다. 구체적으로는 검출, 예후 및 치료 반응을 위한 평가 작업을 가속화했습니다. 개발자들은 또한 자신의 혁신이 여러 국제 환자 그룹에서 결과를 예측하고 검증하는 최초의 도구라고 믿습니다.

AI 모델은 디지털 슬라이드에서 종양 샘플을 읽고 분자 프로파일을 분석하며 암 세포를 찾습니다. 또한 종양 주변 조직을 검사하여 환자가 표준 치료에 반응하는지 또는 어떤 치료가 덜 효과적인지 보여줍니다. 실험에 따르면 현재 사용 가능한 제품보다 더 정확했습니다. 또한 환자 생존 기간을 증가시키는 특정 종양 특성을 처음으로 연결하여 새로운 연구 분야를 잠금 해제할 수 있습니다.

연구자들은 모델을 15백만 개의 라벨이 없는 이미지로 훈련시켰습니다. 나중에 알고리즘은 19가지 암 유형을 나타내는 60,000개의 전체 슬라이드 예제에 노출되었습니다. 이 접근 방식은 AI가 전체 이미지를 철저하게 평가하도록 가르쳤습니다.

그런 다음 그룹은 32개의 독립적인 데이터셋에서 찾은 19,400개의 전체 슬라이드 이미지에 대한 도구를 테스트했습니다. 이러한 정보는 24개의 글로벌 환자 코호트와 병원에서 왔기 때문에 실제 상황의 정확한 샘플을 제공합니다.

생물 의학 현미경 이미지의 가치 향상

암 연구자들은 자신의 연구를 더욱 발전시키기 위해 생물 의학 현미경 이미지를 사용합니다. 그러나 기존 워크플로우는 이러한 데이터를 검사하는 데 며칠이 걸립니다. 한 팀은 이러한 필수적인 작업을 더 효율적으로 만들기 위해 새로운 컴퓨터 비전 기술을 개발했습니다. 이는 샘플을 분석하고 암성 종양 간에 공통된 특성을 찾는 데 기계 학습을 사용합니다.

도구는 개별 성장의 여러 영역을 검사하고 이를 전체로 인식하여 효율적으로 결과를 얻습니다. 다른 제품은 큰 종양을 작은 패치로 나누고 부분을 별개의 샘플로 처리합니다. 그러나 이러한 이미지는 10억 픽셀을 포함할 수 있으므로 연구하는 데 시간이 많이 걸립니다.

개발자들은 임상의가 종양 이미지에서 거의 즉시 진단을 내릴 수 있을 것이라고 상상합니다. 그런 다음 이러한 전문가들은 암성 조직을 추출하기 위한 수술을 수행하는 외과에게 정보를 전달하여 가장 최신의 통찰력을 사용할 수 있도록 할 수 있습니다.

이 도구와 최고의 성능을 보이는 이미지 분석 기술을 비교한 테스트는 거의 4% 더 좋았으며 일부 경우에는 거의 88%의 정확도를 달성했습니다. 연구자들은 또한 사용자가 이 기술을 어떤 종양 유형이나 현미경 방법에도 적용할 수 있다고 강조했습니다. 이는 광범위하게 적용할 수 있음을 의미합니다.

컴퓨터 비전으로 암 연구를 앞으로 나아가기

AI 기반 컴퓨터 비전은 암 연구자의 출력을 높이고 과학적 및 환자 관련 결과를 최대화할 수 있습니다. 이러한 예는 풍부한 잠재력을 보여주지만 기술을 적용하고자 하는 전문가들은 혁신을 완벽하다고 여기지 말고 획득한 전문 지식을 보완하기 위해 이를 사용해야 합니다.