Hvordan datavisjon forbedrer kreftforskning

Datavisjon er kunstig intelligens som tillater algoritmer å trekke ut meningsfulle informasjon fra videoer og bilder. Kreftforskere har utforsket effektive måter å bruke det til å undersøke bilder, mikroskopiske prøver, medisinske skanninger og mer. Noen tilnærminger kan forkorte tidligere tungvinte arbeidsflyter, og tillate ressursstrekkede team å oppnå mål og øke pasientresultater.

Forbedring av kunnskap om tumorvekstfaktorer

Etter å ha bekreftet tilstedeværelsen og typen av kreft i biopsier, kan patologer utføre genetisk sekvensering av RNA-molekylene i prøvene. Deretter kan de finne ut hvilke genetiske endringer som påvirker tumorveksten. Denne informasjonen fremmer verdifull forskning og personlige inngrep. Imidlertid etterlater nåværende metoders dyrt og langvarige prosesser noen forskere ivrige etter brukbare alternativer.

En gruppe bygde et AI-verktøy som analyserer standard mikroskopi bilder av biopsier for å forutsi den genetiske aktiviteten i tumorceller. De trente sin innovasjon på over 7 500 prøver som representerer 16 krefttyper og andre relevante datasett, inkludert bilder av friske celler.

Disse forskerne prioritet brukervennlighet gjennom enkel tolkbarhet, og skapte deres AI-drevne program til å vise gen-relatert informasjon som en visuell tumorbiopsi-kart. Denne beslutningen tillater brukerne å identifisere distinkte variasjoner i bestemte områder. Gruppen brukte også en standard farge-metode for å visualisere kreftceller, og verktøyet identifiserte de genetiske uttrykkene av over 15 000 gener i de fargede bildene.

Deres funn indikerte en korrelasjon på over 80% mellom AI-forutsagt genetisk aktivitet og faktisk atferd. Modellen fungerte generelt bedre når datasettet inkluderte flere eksempler på en bestemt krefttype.

Dette forskergruppens eksperimenter viste også algoritmens potensielle gyldighet for å tildele genetiske risikopoeng til pasienter med brystkreft. Parter som var klassifisert som mer risikable hadde flere tilbakefall og kortere varighet mellom dem.

Mennesker har brukt AI til andre fascinerende medisinske fremstøt. En utvikling kan detektere COVID-19 med opptil 99% nøyaktighet, og viser en essensiell offentlig helseforbedring. Til tross for disse mulighetenes imponerende karakter, må profesjonelle bare supplere sitt arbeid med dem. Å la AI erstatte førstehånds erfaring kan redusere positive pasientresultater.

Finding av de mest passende behandlinger

Personer som gjennomgår kreft-relaterte inngrep detaljer stressen og ubehagelige symptomer forbundet med potensielt underoptimal løsninger. Selv om mange individer tåler kvalme, håravfall og mer, blir de mindre enige om å fortsette hvis tidlige tester ikke viser lovende resultater.

Alle fordeler hvis kreftspesialister identifiserer de beste pasient-spesifikke behandlinger tidligere. Den typiske tilnærmingen til å designe behandlingsplaner innebærer å studere CT- og MR-skanninger med bare ett datapunkt per piksel, representert som skygge-toner. Noen forskere bruker AI til å gjøre fremgang. Et verktøy kan undersøke opptil 30 000 detaljer per piksel og analysere vevsprøver så små som 400 kvadrat-mikrometer — omtrent bredden på fem menneskehår.

Gruppen brukte donerte prøver til å vurdere resultater. Når det ble brukt på blærekreft-tilfeller, fant AI-plattformen en spesialisert celle-gruppe som skaper tertiære lymfoid-strukturer. Nåværende kunnskap antyder at disse forbedrer pasientenes immunterapi-responser. I tillegg skilte verktøyet mellom kreftceller og vevsmukosa i gastric kreft-prøver, og hjalp brukerne til å mer nøyaktig peke ut omfanget av deres spredning.

Disse forskerne tror at deres innsats kan vise leger hvilke behandlinger som fungerer best for ulike krefttyper. Hvis det er tilfelle, kan det også strømlinje relevant forskning ved å hjelpe dem med å trekke ut mer verdifull data fra vanlige diagnostiske bilder.

Forkorting av legemiddelutviklingstider

Å gjøre nye kreftbehandlinger kommersielt tilgjengelige tar år, og utsiktene avhenger av vellykkede kliniske prøver. Forskere i London skapte nylig en AI-aktivert tilnærming til å studere hvor godt legemidler når målene. Fokus på de mest effektive alternativene kan forbedre resultater, og overbevise regulatorene om å utvide produkttilgjengelighet.

Gruppen brukte nesten 100 000 3D-mikroskopi-bilder av melanom-celler, og geometrisk dypt-læring-algoritmer analyserte deres form. Tidligere innsats fikk bare to-dimensjonale data fra prøver på mikroskope-glass, men denne tilnærmingen undersøker celler som de fremstår i kroppen. I tillegg avslører den hvordan de endrer form på grunn av bestemte behandlinger og viser variasjoner over celle-populasjoner.

Dette verktøyet var over 99% nøyaktig i å detektere hvordan bestemte legemidler påvirkte cellene. Det identifiserte også formendringer utløst av legemidler som målretter ulike proteiner.

Fordi AI avdekket biokjemiske endringer, tror forskerne at deres innovasjon kan høydepunkte bestemte mål å betone med nye kreftmedisiner. Deretter kan programvaren forkorte den prekliniske tidsrammen fra tre år til tre måneder. I tillegg kan det redusere prøvinger med opptil seks år, og raskere finne pasienter som er mest sannsynlig å dra nytte av og peke ut vanlige bivirkninger.

Strømlinje kreftvurderingsoppgaver

AI har allerede forbedret kreftforskeres oppgaver, men de fleste verktøy håndterer bare enkelte deler av arbeidsflyten. Dette betyr at medisinske spesialister som er interessert i å integrere teknologien i sine arbeidsdager, må lære å bruke flere produkter. Imidlertid ønsker noen grupper å bygge flerformålsløsninger for å øke brukervennlighet.

En gruppe bygde en modell lignende ChatGPT. De brukte den til flere vurderingsprosesser knyttet til 19 krefttyper, og viste dens fleksibilitet. Mer spesifikt akselererte den vurderingsoppgaver for forbedret deteksjon, prognose og behandlingsresponser. Utviklerne tror også at deres innovasjon er den første som kan forutsi og validere resultater over flere internasjonale pasientgrupper.

AI-modellen leser digitale bilder som inneholder tumorprøver, analyserer de molekylære profilene og finner kreftceller. Den undersøkte også vev omkring veksten, som indikerer hvordan pasienter har respondert på standardbehandlinger eller viser forskerne hvilke som er mindre effektive. Eksperimenter antydet at den var mer nøyaktig enn nåværende tilgjengelige produkter. I tillegg koblet den bestemte tumor-karakteristika til økt pasient-overlevelse for første gang, og kan låse opp nye forskningsområder.

Forskerne trente modellen på 15 millioner ulabelte bilder delt inn i biter avhengig av interessante områder. En senere fase eksponerte algoritmene for 60 000 hele-bilde-eksempler som representerer de 19 krefttypene. Denne tilnærmingen lærte AI å vurdere hele bilder for grundige resultater.

Deretter testet gruppen sitt verktøy på 19 400 hele-bilde-bilder funnet i 32 uavhengige datasett. Fordi denne informasjonen kom fra 24 globale pasient-kohorter og sykehus, gir den en nøyaktig prøve på reelle livsforhold.

Forbedring av verdien av biomedisinske mikroskopi-bilder

Kreftforskere bruker biomedisinske mikroskopi-bilder til å fremme sitt arbeid, men eksisterende arbeidsflyter tar dager til å undersøke disse dataene. En gruppe utviklet en ny datavisjonsteknikk for å gjøre disse essensielle oppgavene mer effektive. Den bruker maskinlæring til å analysere prøver og finne felles karakteristika blant kreft-tumorer.

Verktøyet får resultater effektivt ved å undersøke flere områder av enkelt vekst og oppfatte dem som en helhet. Andre produkter som analyserer biomedisinske mikroskopi-bilder deler store tumorer inn i mindre fliser og behandler delene som separate prøver. Imidlertid kan disse bildene inneholde opptil 1 milliard piksler, så de er tidskrevende å studere.

Utviklerne forestiller seg at kliniske leger kan gjøre nesten umiddelbare diagnoser fra tumor-bilder. Deretter kan disse profesjonelle overføre informasjonen til kirurger som utfører operasjoner for å fjerne kreftceller, og tillate dem å bruke de nyeste innsiktene.

Tester som sammenligner dette verktøyet med de beste baseline-bildanalyseteknikkene viste at det var nesten 4% bedre og oppnådde nesten 88% nøyaktighet i noen tilfeller. Forskerne understreket også at brukerne kunne bruke det til enhver tumor-type og mikroskopi-metode, og gjøre det bredt anvendelig.

Driver kreftforskning fremover med datavisjon

AI-drevet datavisjon kan forbedre kreftforskeres utbytte, maksimere deres vitenskapelige og pasient-relaterte resultater. Disse eksemplene illustrerer det rike potensialet, men profesjonelle som er interessert i å bruke teknologien, bør gjøre det for å supplere tilegnet ekspertise og ikke behandle innovasjoner som feilfrie.