Hvordan datavisjon forbedrer kreftforskning

Datavisjon er kunstig intelligens som lar algoritmer 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 besværlige arbeidsflyter, og la ressurssvake team nå målene og øke pasienteffekten.

Forbedring av kunnskap om tumorvekststyrere

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 kommer til nytte for verdifull forskning og personlige inngrep. Men, de nåværende metodenes kostnad og lengde gjør at noen forskere er ivrige etter å finne alternative løsninger.

En gruppe utviklet et AI-verktøy som analyserer standard mikroskopi-bilder av biopsier for å forutsi den genetiske aktiviteten innenfor 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 prioriterte brukervennlighet gjennom enkel tolkning, og skapte sitt AI-drevne program til å vise den gen-relaterte informasjonen som en visuell tumorbiopsi-kart. Denne beslutningen gjør det mulig for brukerne å identifisere distinkte variasjoner i bestemte områder. Gruppen brukte også en standard farge-metode for å visualisere kreftceller, og verktøyet identifiserte den genetiske uttrykket av over 15 000 gener innenfor 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.

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

Mennesker har brukt AI til andre fascinerende medisinske fremgang. En utvikling kan detektere COVID-19 med opptil 99 % nøyaktighet, og viser en essensiell offentlig helse-forbedring. Til tross for disse mulighetenes imponerende aspekter, må profesjonelle kun supplere sitt arbeid med dem. Å la AI erstatte førstehånds-erfaring kan redusere positive pasient-resultater.

Finne de mest passende behandlingene

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

Alle har nytte av at kreft-spesialister identifiserer de beste pasient-spesifikke behandlingene tidligere. Den typiske tilnærmingen til å designe behandlingsplaner involverer å studere CT- og MRI-skanninger med bare ett datapunkt per piksel, representert som skygge-nyanser. 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 like bredt som fem menneskehår.

Gruppen brukte donerte prøver til å vurdere resultater. Når de ble brukt til blærekreft-tilfeller, fant AI-plattformen en spesialisert celle-gruppe som skaper tertiære lymfoid-strukturer. Gjeldende kunnskap tyder på at disse forbedrer pasientenes immun-terapi-responser. I tillegg skilte verktøyet mellom kreft-cellene og vev-mukosa i gastric-kreft-prøver, og hjalp brukerne til å mer nøyaktig bestemme omfanget av deres spredning.

Disse forskerne tror at deres innsats kan vise leger hvilke behandlinger som fungerer best for ulike kreft-typer. 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.

Kortere legemiddel-utviklingstider

Å gjøre nye kreft-behandlinger kommersielt tilgjengelige tar år, og utsiktene henger av vellykkede kliniske prøver. Forskere i London utviklet nylig en AI-aktiv tilnærming til å studere hvordan godt legemidler når målene. Fokus på de mest effektive alternativene kan forbedre resultater, og overbevise regulatorer om å utvide produkt-tilgjengelighet.

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

Dette verktøyet var mer enn 99 % nøyaktig i å detektere hvordan bestemte legemidler påvirkte cellene. Det identifiserte også form-endringer utløst av legemidler som målretter ulike proteiner.

Fordi AI avslørte biokjemiske endringer, tror forskerne at deres innovasjon kan høydeppe bestemte mål å betone med nye kreft-medisiner. Deretter vil programvaren redusere den prekliniske tidsrammen fra tre år til tre måneder. Relatert til dette kan det også redusere prøver med opptil seks år, og finne pasienter som sannsynligvis vil ha nytte av det, og peke ut vanlige bivirkninger.

Strømlinje-forming av kreft-vurdering-oppgaver

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

En bygde en modell lignende ChatGPT. De brukte den til flere vurderings-prosesser knyttet til 19 kreft-typer, og viste dens fleksibilitet. Mer spesifikt akselererte den vurderings-oppgaver for bedre deteksjon, prognose og behandlings-responser. Utviklerne tror også at deres innovasjon er den første som kan forutsi og validere resultater over flere internasjonale pasient-grupper.

AI-modellen leser digitale bilder som inneholder tumor-prøver, analyserer de molekylære profilene og finner kreft-cellene. Den undersøkte også vev omkring veksten, som indikerer hvordan pasienter har respondert på standard-behandlinger eller viser forskerne hvilke som er mindre effektive. Eksperimenter antydet at den var mer nøyaktig enn nåværende tilgjengelige produkter. Dessuten koblet den bestemte tumor-karakteristika til økte pasient-overlevelse-rater for første gang, og kan potensielt låse opp nye forsknings-områder.

Forskerne trente modellen på 15 millioner u-labelede bilder delt inn i biter avhengig av områder av interesse. En senere fase eksponerte algoritmene for 60 000 hele-bilde-eksempler som representerer de 19 kreft-typene. Denne tilnærmingen lærte AI å vurdere hele bildene 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 av real-life-betingelser.

Forbedring av verdi av biomedisinske mikroskopi-bilder

Kreft-forskere bruker biomedisinske mikroskopi-bilder til å fremme sitt arbeid, men eksisterende arbeidsflyter tar dager til å undersøke disse data. En gruppe utviklet en ny datavisjon-teknikk for å gjøre disse essensielle oppgavene mer effektive. Den bruker maskin-læring til å analysere prøver og finne felles-karakteristika blant kreft-typer.

Verktøyet får effektivt resultater 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 patcher og behandler delene som separate prøver. Imidlertid kan disse bildene inneholde opptil 1 milliard piksler, så de er tids-krevende å studere.

Utviklerne forestiller seg at klinikere kan gjøre nær-umiddelbare diagnoser fra tumor-bilder. Deretter vil disse profesjonelle overføre informasjonen til kirurger som utfører operasjoner for å fjerne kreft-vev, og la dem bruke de mest aktuelle innsiktene.

Tester som sammenligner dette verktøyet med den beste baseline-bilde-analyse-teknikken 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 kreft-forskning fremover med datavisjon

AI-drevet datavisjon kan høyde kreft-forskeres uttelling, maksimere deres vitenskapelige og pasient-relaterte resultater. Disse eksemplene illustrerer det rike potensialet, men profesjonelle som er interesserte i å anvende teknologien, bør gjøre det for å supplere tilegnet ekspertise og ikke behandle innovasjoner som feilfrie.