Jak komputerowe widzenie wzmacnia badania raka

Widzenie komputerowe to sztuczna inteligencja, która pozwala algorytmom na wyodrębnianie istotnych informacji z filmów i obrazów. Badacze raka znaleźli skuteczne sposoby wykorzystania go do badania zdjęć, próbek mikroskopowych, badań medycznych i innych. Niektóre podejścia mogą skrócić wcześniej uciążliwe procesy, pozwalając zespołom z ograniczonymi zasobami na osiągnięcie celów i zwiększenie wpływu na pacjentów.

Poprawa wiedzy o czynnikach wzrostu guzów

Po potwierdzeniu obecności i rodzaju raka w badaniach biopsyjnych, patolodzy mogą przeprowadzić sekwencjonowanie genetyczne cząsteczek RNA w próbkach. Następnie mogą ustalić, które zmiany genetyczne wpływają na wzrost guza. Te informacje przyczyniają się do cennych badań i interwencji personalizowanych. Jednakże, obecne metody są kosztowne i czasochłonne, co sprawia, że niektórzy badacze szukają alternatyw.

Jeden z zespołów stworzył narzędzie AI które analizuje standardowe obrazy mikroskopowe biopsyjne, aby przewidzieć aktywność genetyczną w komórkach guza. Uczono ich na ponad 7 500 próbkach reprezentujących 16 rodzajów raka i innych istotnych zbiorach danych, w tym zdjęciach zdrowych komórek.

Ci badacze priorytetowo traktowali użyteczność poprzez łatwą interpretację, tworząc swój program AI, który wyświetla informacje związane z genami jako wizualną mapę biopsyjną guza. To pozwala użytkownikom identyfikować charakterystyczne różnice w określonych obszarach. Zespół również wykorzystał standardową metodę barwienia, aby wizualizować komórki rakowe, a narzędzie zidentyfikowało ekspresje genetyczne ponad 15 000 genów w obrazach barwionych.

Ich wyniki wskazały korelację powyżej 80% między przewidywaną aktywnością genetyczną a rzeczywistym zachowaniem. Model działał lepiej, gdy zbiór danych próbkowych zawierał więcej przykładów konkretnego rodzaju raka.

Eksperymenty tego zespołu badawczego również wykazały potencjalną ważność algorytmu w przypisywaniu genomowych wskaźników ryzyka pacjentom z rakiem piersi. Osoby sklasyfikowane jako bardziej ryzykowne miały więcej nawrotów i krótsze okresy między nimi.

Ludzie wykorzystali AI do innych fascynujących postępów medycznych. Jedno z odkryć może wykryć COVID-19 z dokładnością do 99%, co stanowi istotną poprawę zdrowia publicznego. Mimo imponujących możliwości, profesjonaliści powinni wykorzystywać je tylko jako uzupełnienie swojej pracy. Pozwolenie AI na zastąpienie doświadczenia pierwszorzędnego mogłoby zmniejszyć pozytywne wyniki u pacjentów.

Znalezienie najbardziej odpowiednich leczeń

Osoby przechodzące leczenia związane z rakiem opisują stres i nieprzyjemne objawy związane z potencjalnie nieoptymalnymi rozwiązaniami. Chociaż wiele osób toleruje nudności, wypadanie włosów i więcej, stają się mniej skłonne do kontynuowania, jeśli wczesne testy nie pokazują obiecujących wyników.

Korzystają wszyscy, jeśli specjaliści od raka identyfikują najlepsze, personalizowane leczenia wcześniej. Typowe podejście do projektowania planów leczenia obejmuje badanie zdjęć RTG i MRI z tylko jednym punktem danych na piksel, reprezentowanym jako odcienie szarości. Niektórzy badacze wykorzystują AI, aby uczynić postępy. Jedno z narzędzi może analizować do 30 000 szczegółów na piksel i analizować próbki tkanek o wielkości do 400 mikrometrów kwadratowych — co odpowiada szerokości pięciu ludzkich włosów.

Zespół wykorzystał darowane próbki, aby ocenić wyniki. Zastosowane do raka pęcherza moczowego, platforma AI wykryła specjalizowaną grupę komórek, tworząc struktury limfoidalne trzeciorzędowe. Obecna wiedza wskazuje, że te struktury poprawiają odpowiedzi immunoterapeutyczne pacjentów. Ponadto, narzędzie różnicowało między komórkami rakowymi a błoną śluzową w próbkach raka żołądka, pomagając użytkownikom w precyzyjnym określaniu stopnia rozprzestrzenienia.

Ci badacze wierzą, że ich wysiłki mogą pokazać lekarzom, które leczenia działają najlepiej dla różnych rodzajów raka. Jeśli tak, może to również usprawnić badania, pomagając im wyodrębnić więcej cennych danych z powszechnych obrazów diagnostycznych.

Skracanie czasu rozwoju leków

Wprowadzenie nowych leków przeciwrakowych na rynek komercyjny zajmuje lata, a perspektywy zależą od udanych badań klinicznych. Badacze w Londynie stworzyli podejście z użyciem AI do badania, jak dobrze leki docierają do celu. Skoncentrowanie się na najbardziej skutecznych opcjach może poprawić wyniki, przekonując regulatorów do zwiększenia dostępności produktów.

Grupa wykorzystała prawie 100 000 trójwymiarowych obrazów mikroskopowych komórek melanoma, a algorytmy głębokiego uczenia geometrycznego analizowały ich kształt. Poprzednie starania uzyskiwały tylko dwuwymiarowe dane z próbek na szkiełkach mikroskopowych, ale to podejście analizuje komórki tak, jak pojawiają się one w organizmie. Ponadto, ujawnia, jak zmieniają one kształt w odpowiedzi na określone leczenia i pokazuje zmienność w populacjach komórkowych.

To narzędzie było ponad 99% dokładne w wykrywaniu, jak konkretny lek wpływa na komórki. Zidentyfikowało nawet zmiany kształtu spowodowane przez leki celujące w różne białka.

Ponieważ AI ujawniło zmiany biochemiczne, badacze uważają, że ich innowacja może wskazać konkretnych celów, na które należy się skoncentrować przy tworzeniu nowych leków przeciwrakowych. Następnie, oprogramowanie skróciłoby przedkliniczny okres czasu z trzech lat do trzech miesięcy. Mogłoby również skrócić badania kliniczne o sześć lat, szybciej znajdując pacjentów, którzy najbardziej skorzystają na leczeniu, i wskazując powszechne skutki uboczne.

Usprawnianie zadań oceny raka

AI już poprawił zadania badaczy raka, ale większość narzędzi obsługuje tylko poszczególne części procesu. Oznacza to, że specjaliści medyczni zainteresowani włączeniem technologii do swojej pracy muszą nauczyć się korzystać z kilku produktów. Jednak niektóre grupy chcą stworzyć rozwiązania wielofunkcyjne, aby zwiększyć użyteczność.

Jeden z zespołów stworzył model podobny do ChatGPT. Wykorzystali go do wielu procesów oceny związanych z 19 rodzajami raka, pokazując jego wszechstronność. Konkretnie, przyspieszył zadania oceny w celu poprawy wykrywania, rokowania i reakcji na leczenie. Deweloperzy wierzą również, że ich innowacja jest pierwszą, która przewiduje i potwierdza wyniki wśród kilku międzynarodowych grup pacjentów.

Model AI czyta cyfrowe slajdy zawierające próbki guza, analizuje profile molekularne i znajduje komórki rakowe. Analizował również tkanki otaczające guzy, co wskazuje, jak dobrze pacjenci zareagowali na standardowe leczenia lub pokazuje, które leczenia są mniej skuteczne. Eksperymenty sugerowały, że jest on bardziej dokładny niż dostępne produkty. Ponadto, połączył konkretną charakterystykę guza z zwiększonym wskaźnikiem przeżycia pacjentów, potencjalnie odblokowując nowe obszary badań.

Badacze uczono modelu na 15 milionach nieoznaczonych obrazów podzielonych na części w zależności od obszarów zainteresowania. Późniejszy krok eksponował algorytmy na 60 000 pełnych przykładów reprezentujących 19 rodzajów raka. To podejście nauczyło AI, aby oceniać całe obrazy dla wyczerpujących wyników.

Następnie, zespół przetestował swoje narzędzie na 19 400 pełnych obrazów znalezionych w 32 niezależnych zbiorach danych. Ponieważ informacje te pochodziły z 24 globalnie zlokalizowanych kohort pacjentów i szpitali, dostarczają one dokładnego przykładu warunków rzeczywistych.

Poprawa wartości obrazów mikroskopowych w biomedycynie

Badacze raka wykorzystują obrazy mikroskopowe w biomedycynie, aby posunąć swoją pracę do przodu, ale istniejące procesy zajmują dni, aby zbadać te dane. Jeden z zespołów opracował nową technikę widzenia komputerowego, aby uczynić te niezbędne zadania bardziej wydajnymi. Wykorzystuje uczenie maszynowe do analizy próbek i znalezienia wspólnych cech wśród guzów nowotworowych.

Narzędzie efektywnie uzyskuje wyniki, analizując wiele obszarów poszczególnych guzów i postrzegając je jako całość. Inne produkty, które analizują obrazy mikroskopowe w biomedycynie, dzielą duże guzy na mniejsze fragmenty i traktują je jako odrębne próbki. Jednak te obrazy mogą zawierać do 1 miliarda pikseli, co sprawia, że są one czasochłonne do zbadania.

Deweloperzy wyobrażają sobie, że klinicyści mogą dokonać niemal natychmiastowych diagnoz z obrazów guzów. Następnie, ci specjaliści przekazaliby informacje chirurgom wykonującym operacje w celu usunięcia tkanek nowotworowych, pozwalając im na korzystanie z najbardziej aktualnych informacji.

Testy porównujące to narzędzie z najlepszymi technikami analizy obrazu wykazały, że jest ono prawie 4% lepsze i osiąga prawie 88% dokładności w niektórych przypadkach. Badacze podkreślili również, że użytkownicy mogą zastosować je do dowolnego rodzaju guza i metody mikroskopowej, co czyni je szeroko stosowanymi.

Przyspieszanie badań raka za pomocą widzenia komputerowego

Widzenie komputerowe napędzane przez AI może podnieść wyniki badaczy raka, maksymalizując ich naukowe i pacjenckie rezultaty. Te przykłady ilustrują ogromny potencjał, ale profesjonaliści zainteresowani zastosowaniem tej technologii powinni to robić, aby uzupełnić nabyte umiejętności i nie traktować innowacji jako niezawodnych.