Hoe Computer Vision Kankeronderzoek Verbetert

Computer vision is een vorm van kunstmatige intelligentie die algoritmes in staat stelt om betekenisvolle 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 teams met beperkte middelen hun doelen kunnen bereiken en de impact op patiënten kunnen vergroten.

Verbetering van de kennis over tumor groeifactoren

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 waardevolle onderzoeken 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 standaard microscopische afbeeldingen van biopsies analyseert om de genetische activiteit binnen tumorcellen 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 de gebruiksvriendelijkheid prioriteit gegeven door middel van eenvoudige interpretatie, waardoor hun AI-gebaseerde programma de genetische informatie weergeeft als een visuele tumorbiopsiekaart. 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 expressies van meer dan 15.000 genen binnen 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 monsterdataset meer voorbeelden van een specifiek kankertype bevatte.

De experimenten van dit onderzoeksteam toonden ook het potentieel van de algoritme voor het toewijzen van genetische risicoscores aan patiënten met borstkanker. De 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 met een nauwkeurigheid van tot 99% detecteren, 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 AI door firsthand ervaring kan de positieve resultaten voor patiënten verminderen.

Het vinden van de meest geschikte behandelingen

Mensen die kankergerelateerde interventies ondergaan, beschrijven de stress en de 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 identificeren van de beste patiëntspecifieke behandelingen door kankerspecialisten. De typische 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 blaaskanker 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 maagkankerm monsters, 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 soorten kanker. Als dat zo is, kan het ook relevante onderzoeken stroomlijnen door hen te helpen meer waardevolle gegevens te extraheren uit gangbare 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 trials. 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 onderzoekers de resultaten verbeteren en regulators overtuigen 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 kregen alleen tweedimensionale gegevens van monsters op microscoopglaasjes, 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 hoe specifieke geneesmiddelen de cellen beïnvloedden. Het identificeerde zelfs vormveranderingen veroorzaakt door geneesmiddelen die verschillende eiwitten targeten.

Omdat de AI biochemische veranderingen onthulde, denken de onderzoekers dat hun innovatie specifieke doelen kan benadrukken om te benadrukken met nieuwe kankermedicijnen. Vervolgens kan de software de preklinische tijdsperiode van drie jaar tot drie maanden inkorten. Daarnaast kan het trials verkorten met maximaal zes jaar, waardoor patiënten die het meest waarschijnlijk baat hebben bij de behandeling sneller worden geïdentificeerd en de meest voorkomende bijwerkingen worden aangewezen.

Stroomlijning van kankerbeoordelingstaken

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 team heeft een model ontwikkeld dat lijkt op ChatGPT. Zij gebruikten het voor meerdere evaluatieprocessen die zijn gekoppeld aan 19 kankertypen, waarmee het zijn veelzijdigheid aantoont. Meer specifiek, versnelde het de 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 rondom de groei, 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 tumorkenmerken aan verhoogde overlevingskansen voor patiënten voor het eerst, waardoor mogelijk nieuwe onderzoeksgebieden worden ontsloten.

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

Vervolgens testte de groep hun hulpmiddel op 19.400 complete dia’s die werden gevonden in 32 onafhankelijke datasets. Omdat die informatie afkomstig was van 24 wereldwijd gelegen patiëntengroepen en ziekenhuizen, biedt het een nauwkeurig monster van reële omstandigheden.

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 geheel te behandelen. Andere producten die biomedische microscopische afbeeldingen analyseren, delen grote tumoren op in kleinere patches en behandelen de delen als afzonderlijke monsters. Echter, deze afbeeldingen kunnen tot 1 miljard pixels bevatten, waardoor ze tijdrovend zijn om te onderzoeken.

De ontwikkelaars stellen zich voor dat klinici diagnoses kunnen stellen op basis van tumorafbeeldingen in bijna realtime. Vervolgens kunnen deze professionals de informatie doorgeven aan chirurgen die operaties uitvoeren om kankercellen te verwijderen, waardoor ze de meest recente inzichten kunnen gebruiken.

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

Kankeronderzoek naar een hoger niveau brengen met computer visie

AI-gestuurde computer visie kan de output van kankeronderzoekers maximaliseren, zowel op wetenschappelijk als op patiëntgericht niveau. Deze voorbeelden laten het overvloedige potentieel zien, maar professionals die geïnteresseerd zijn in het toepassen van deze technologie, moeten dit doen om hun verworven expertise aan te vullen en niet om innovaties als feilloos te behandelen.