Hoe Computer Vision Kankeronderzoek Verbetert

Computer vision is een vorm van kunstmatige intelligentie die algoritmes in staat stelt om waardevolle informatie te extraheren uit video’s en afbeeldingen. Kankeronderzoekers hebben effectieve manieren onderzocht om het te gebruiken om afbeeldingen, microscopische monsters, medische scans en meer te onderzoeken. Sommige benaderingen kunnen eerder omslachtige workflows verkorten, waardoor overbelaste teams hun doelen kunnen bereiken en de impact op patiënten kunnen verhogen.

Verbetering van de kennis over tumorgroei

Nadat de aanwezigheid en het type kanker in biopsies zijn bevestigd, kunnen pathologen genetische sequencing uitvoeren op de RNA-moleculen in de monsters. Vervolgens kunnen ze bepalen welke genetische veranderingen de groei van de tumor beïnvloeden. Die informatie komt waardevol onderzoek en gepersonaliseerde interventies ten goede. Echter, de huidige methoden zijn duur en tijdrovend, waardoor sommige onderzoekers naar haalbare alternatieven zoeken.

Een team heeft een AI-hulpmiddel ontwikkeld dat standaardmicroscopische afbeeldingen van biopsies analyseert om de genetische activiteit binnen tumoren te voorspellen. Zij hebben hun innovatie getraind op meer dan 7.500 monsters die 16 kankertypen en andere relevante datasets vertegenwoordigen, waaronder afbeeldingen van gezonde cellen.

Deze onderzoekers hebben usability prioriteit gegeven door middel van eenvoudige interpretatie, door hun AI-gebaseerde programma te laten zien als een visuele tumorbioptische kaart. Die beslissing stelt gebruikers in staat om onderscheidende variaties in specifieke gebieden te identificeren. De groep heeft ook een standaard kleurmethode gebruikt om kankercellen te visualiseren, en het hulpmiddel heeft de genetische expressie van meer dan 15.000 genen in de gekleurde afbeeldingen geïdentificeerd.

Hun bevindingen toonden een correlatie van meer dan 80% tussen de AI-voorspelde genetische activiteit en het daadwerkelijke gedrag. Het model presteerde over het algemeen beter wanneer de steekproefdataset meer voorbeelden van een specifiek kankertype bevatte.

Het onderzoek van dit team heeft ook het potentieel van het algoritme aangetoond voor het toewijzen van genetische risicoscores aan patiënten met borstkanker. Partijen die als riskanter werden gecategoriseerd, hadden meer recidieven en kortere tussenpozen.

Mensen hebben AI gebruikt voor andere fascinerende medische vooruitgang. Een ontwikkeling kan COVID-19 detecteren met een nauwkeurigheid van tot 99%, wat een essentiële verbetering van de volksgezondheid laat zien. Ondanks de indrukwekkendheid van deze mogelijkheden, moeten professionals hun werk alleen aanvullen met deze middelen. Het vervangen van firsthand ervaring door AI kan de positieve resultaten voor patiënten verminderen.

Het vinden van de meest geschikte behandelingen

Mensen die kankergerelateerde interventies ondergaan, beschrijven de stress en onaangename symptomen die samenhangen met potentieel suboptimale oplossingen. Hoewel veel individuen misselijkheid, haaruitval en meer tolereren, worden ze minder geneigd om door te gaan als vroege tests geen veelbelovende resultaten laten zien.

Iedereen heeft baat bij het feit dat kankerspecialisten de beste patiëntspecifieke behandelingen sneller identificeren. De gebruikelijke aanpak voor het ontwerpen van zorgplannen omvat het bestuderen van CT- en MRI-scans met slechts één datapunt per pixel, weergegeven als grijstinten. Sommige onderzoekers gebruiken AI om vooruitgang te boeken. Een hulpmiddel kan tot 30.000 details per pixel onderzoeken en weefselmonsters analyseren die zo klein zijn als 400 vierkante micrometer — ongeveer de breedte van vijf menselijke haren.

Het team gebruikte gedoneerde monsters om de resultaten te beoordelen. Toen het op blaaskankergevallen werd toegepast, vond het AI-platform een gespecialiseerde celgroep die tertiaire lymfoïde structuren creëert. Huidige kennis suggereert dat deze de immunotherapie-reacties van patiënten verbeteren. Bovendien onderscheidde het hulpmiddel tussen kankercellen en weefselmucosa in maagkankergevallen, waardoor gebruikers de verspreiding ervan nauwkeuriger konden lokaliseren.

Deze onderzoekers geloven dat hun inspanningen artsen kunnen laten zien welke behandelingen het beste werken voor verschillende kankers. Als dat zo is, kan het ook relevante onderzoek stroomlijnen door hen te helpen meer waardevolle gegevens te extraheren uit gewone diagnostische afbeeldingen.

Verkorting van de ontwikkelingstijd van geneesmiddelen

Het beschikbaar stellen van nieuwe kankerbehandelingen op de markt duurt jaren, en de vooruitzichten hangen af van succesvolle klinische proeven. Onderzoekers in Londen hebben onlangs een AI-gebaseerde aanpak ontwikkeld om te onderzoeken hoe goed geneesmiddelen hun doelen bereiken. Door zich te concentreren op de meest effectieve opties, kunnen de resultaten worden verbeterd, waardoor regulators worden overtuigd om de beschikbaarheid van producten te vergroten.

De groep gebruikte bijna 100.000 3D-microscopische afbeeldingen van melanoomcellen, en geometrische diepe leer-algoritmes analyseerden hun vorm. Eerdere inspanningen verkregen alleen tweedimensionale gegevens van monsters op microscopische dia’s, maar deze aanpak onderzoekt cellen zoals ze in lichamen voorkomen. Bovendien onthult het hoe ze van vorm veranderen als gevolg van specifieke behandelingen en toont variabiliteit over cel-populaties.

Dit hulpmiddel was meer dan 99% nauwkeurig in het detecteren van de invloed van specifieke geneesmiddelen op de cellen. Het identificeerde zelfs vormveranderingen veroorzaakt door geneesmiddelen die verschillende eiwitten richten.

Omdat de AI biochemische veranderingen onthulde, denken de onderzoekers dat hun innovatie specifieke doelen kan benadrukken om te benadrukken met nieuwe kankermedicijnen. Vervolgens zou de software de preklinische tijdsperiode van drie jaar tot drie maanden inkorten. Hiermee zou het ook proeven kunnen verkorten met maximaal zes jaar, waardoor patiënten sneller degenen kunnen vinden die het meest waarschijnlijk baat hebben en de meest voorkomende bijwerkingen kunnen identificeren.

Stroomlijning van kankerevaluatietaken

AI heeft de taken van kankeronderzoekers al verbeterd, maar de meeste hulpmiddelen behandelen alleen individuele delen van de workflow. Dat betekent dat medische specialisten die geïnteresseerd zijn in het integreren van de technologie in hun werkdag, moeten leren om meerdere producten te gebruiken. Echter, sommige groepen willen multipurpose-oplossingen ontwikkelen om de gebruiksvriendelijkheid te vergroten.

Een groep heeft een model gebouwd dat vergelijkbaar is met ChatGPT. Zij hebben het gebruikt voor meerdere evaluatieve processen die zijn gekoppeld aan 19 kankertypen, waarmee het zijn veelzijdigheid aantoont. Meer specifiek, het versnelde evaluatietaken voor verbeterde detectie, prognose en behandelingreacties. De ontwikkelaars geloven ook dat hun innovatie het eerste is dat resultaten voorspelt en valideert over meerdere internationale patiëntengroepen.

Het AI-model leest digitale dia’s met tumormonsters, analyseert de moleculaire profielen en vindt kankercellen. Het onderzocht ook de weefsels om de groei heen, die aangeven hoe goed patiënten hebben gereageerd op standaardbehandelingen of onderzoekers laten zien welke minder effectief zijn. Experimenten suggereerden dat het nauwkeuriger was dan momenteel beschikbare producten. Bovendien koppelde het specifieke tumorkarakteristieken aan verhoogde overlevingskansen voor patiënten, waardoor mogelijk nieuwe onderzoeksgebieden worden ontsloten.

De onderzoekers hebben het model getraind op 15 miljoen ongelabelde afbeeldingen, onderverdeeld in stukken afhankelijk van de gebieden van interesse. Een latere stap blootstelling van de algoritmes aan 60.000 voorbeelden van hele dia’s die de 19 kankertypen vertegenwoordigen. Deze aanpak leerde de AI om hele afbeeldingen te beoordelen voor uitgebreide resultaten.

Vervolgens testte de groep hun hulpmiddel op 19.400 hele dia-afbeeldingen in 32 onafhankelijke datasets. Omdat die informatie afkomstig was van 24 wereldwijd gelegen patiëntengroepen en ziekenhuizen, biedt het een nauwkeurig voorbeeld van echte levensomstandigheden.

Verhoging van de waarde van biomedische microscopische afbeeldingen

Kankeronderzoekers gebruiken biomedische microscopische afbeeldingen om hun werk te ondersteunen, maar bestaande workflows nemen dagen in beslag om deze gegevens te onderzoeken. Een team heeft een nieuwe computer visie-techniek ontwikkeld om deze essentiële taken efficiënter te maken. Het gebruikt machine learning om monsters te analyseren en gedeelde kenmerken onder kankertumoren te vinden.

Het hulpmiddel verkrijgt efficiënt resultaten door meerdere gebieden van individuele groei te onderzoeken en ze als een geheel te beschouwen. Andere producten die biomedische microscopische afbeeldingen analyseren, delen grote tumoren op in kleinere stukjes en behandelen de delen als afzonderlijke monsters. Echter, deze afbeeldingen kunnen tot 1 miljard pixels bevatten, dus zijn ze tijdrovend om te bestuderen.

De ontwikkelaars voorzien dat klinici bijna onmiddellijke diagnoses kunnen stellen op basis van tumoraanwijzingen. Vervolgens kunnen deze professionals de informatie doorgeven aan chirurgen die operaties uitvoeren om kankercellen te verwijderen, waardoor zij de meest actuele inzichten kunnen gebruiken.

Tests die dit hulpmiddel vergeleken met de best presterende baseline-afbeeldingsanalysetechnieken toonden aan dat het bijna 4% beter was en een nauwkeurigheid van bijna 88% bereikte in sommige gevallen. De onderzoekers benadrukten ook dat gebruikers het kunnen toepassen op elk type tumor en microscopische methode, waardoor het breed toepasbaar is.

Kankeronderzoek vooruit helpen met computer visie

AI-gestuurde computer visie kan de output van kankeronderzoekers verhogen, waardoor zowel wetenschappelijke als patiëntgerelateerde resultaten worden gemaximaliseerd. Deze voorbeelden illustreren het overvloedige potentieel, maar professionals die geïnteresseerd zijn in het toepassen van de technologie, moeten dit doen om hun verworven expertise aan te vullen en niet om innovaties als foutloos te behandelen.