Как компьютерное зрение улучшает исследования рака

Компьютерное зрение – это искусственный интеллект, который позволяет алгоритмам извлекать полезную информацию из видео и изображений. Исследователи рака изучили эффективные способы использования его для изучения изображений, микроскопических проб, медицинских сканов и многое другое. Некоторые подходы могут сократить ранее громоздкие рабочие процессы, позволяя командам с ограниченными ресурсами достигать целей и усиливать влияние на пациентов.

Улучшение знаний о факторах роста опухоли

После подтверждения наличия и типа рака в биопсиях патологи могут выполнить генетическое секвенирование РНК-молекул в пробах. Затем они могут определить, какие геномные изменения влияют на рост опухоли. Эта информация способствует ценной исследовательской и персонализированной интервенции. Однако дороговизна и длительность текущих методов заставляют некоторых исследователей искать жизнеспособные альтернативы.

Одна команда создала инструмент ИИ который анализирует стандартные микроскопические изображения биопсий для прогнозирования генетической активности в опухолевых клетках. Они обучили свое нововведение на более чем 7 500 пробах, представляющих 16 типов рака, и других соответствующих наборах данных, включая изображения здоровых клеток.

Эти исследователи отдали приоритет удобству использования за счет легкой интерпретируемости, создав свою программу ИИ для отображения информации, связанной с генами, в виде визуальной карты биопсии опухоли. Это решение позволяет пользователям определять характерные вариации в определенных областях. Группа также использовала стандартный метод окрашивания для визуализации раковых клеток, и инструмент определил выражение более 15 000 генов в окрашенных изображениях.

Их результаты показали корреляцию более 80% между прогнозируемой ИИ генетической активностью и фактическим поведением. Модель в целом работала лучше, когда набор данных содержал больше примеров определенного типа рака.

Эксперименты этой исследовательской команды также показали потенциальную действительность алгоритма для присвоения геномных рисковых баллов пациентам с раком молочной железы. Лица, отнесенные к более рискованной категории, имели больше рецидивов и более короткие промежутки между ними.

Люди использовали ИИ для других fascинiruyuschih медицинских достижений. Одно развитие может обнаруживать COVID-19 с точностью до 99%, демонстрируя важное улучшение общественного здравоохранения. Несмотря на впечатляющие возможности, профессионалы должны дополнять свою работу только с их помощью. Позволение ИИ заменить непосредственный опыт может снизить положительные результаты для пациентов.

Поиск наиболее подходящих методов лечения

Пациенты, проходящие лечение, связанное с раком, описывают стресс и неприятные симптомы, связанные с потенциально неоптимальными решениями. Хотя многие люди переносят тошноту, выпадение волос и многое другое, они становятся менее согласными продолжать, если ранние тесты не показывают обещающих результатов.

Все выигрывают, если специалисты по раку определяют лучшие индивидуальные методы лечения раньше. Традиционный подход к разработке планов лечения включает изучение КТ и МРТ-сканов с только одним данным за пиксель, представленным в виде оттенков серого. Некоторые исследователи используют ИИ для прогресса. Один инструмент может изучать до 30 000 деталей за пиксель и анализировать ткани образцов размером всего 400 квадратных микрометров — примерно шириной пяти человеческих волос.

Команда использовала пожертвованные образцы для оценки результатов. Когда его применяли к случаям рака мочевого пузыря, платформа ИИ обнаружила специализированную группу клеток, создающую третичные лимфоидные структуры. Текущие знания предполагают, что они улучшают реакцию пациентов на иммунотерапию. Кроме того, инструмент различал раковые клетки и ткань слизистой оболочки в пробах желудочного рака, помогая пользователям более точно определить степень их распространения.

Эти исследователи считают, что их усилия могут показать врачам, какие методы лечения работают лучше всего для различных видов рака. Если так, то это также может оптимизировать соответствующие исследования, помогая им извлекать более ценные данные из обычных диагностических изображений.

Сокращение сроков разработки лекарств

Создание новых методов лечения рака занимает годы, и перспективы зависят от успешных клинических испытаний. Исследователи в Лондоне недавно создали подход, основанный на ИИ, для изучения того, насколько хорошо лекарства достигают своих целей. Сосредоточение внимания на наиболее эффективных вариантах может улучшить результаты, убедив регулирующие органы расширить доступ к продукции.

Группа использовала почти 100 000 трехмерных микроскопических изображений клеток меланомы, и геометрические алгоритмы глубокого обучения анализировали их форму. Предыдущие усилия получали только двумерные данные из проб на микроскопических слайдах, но этот подход изучает клетки так, как они появляются в организме. Кроме того, он показывает, как они меняют форму под воздействием определенных методов лечения и демонстрирует вариативность по всей клеточной популяции.

Этот инструмент был более чем на 99% точен в обнаружении того, как конкретные лекарства влияли на клетки. Он даже определил изменения формы, вызванные препаратами, нацеленными на разные белки.

Поскольку ИИ показал биохимические изменения, исследователи считают, что их инновация может подчеркнуть конкретные цели для подчеркивания при создании новых противораковых лекарств. Затем программное обеспечение сократит предклинический срок с трех лет до трех месяцев. Аналогично, оно может сократить испытания до шести лет, более быстро находя пациентов, которые наиболее вероятно выиграют, и определяя общие побочные эффекты.

Оптимизация задач оценки рака

ИИ уже повысил эффективность работы исследователей рака, но большинство инструментов обрабатывают только отдельные части рабочего процесса. Это означает, что медицинские специалисты, заинтересованные в интеграции технологии в свой рабочий день, должны изучить несколько продуктов. Однако некоторые группы стремятся создать многоцелевые решения для повышения удобства использования.

Одна команда построила модель, аналогичную ChatGPT. Они использовали ее для многочисленных оценочных процессов, связанных с 19 видами рака, демонстрируя ее универсальность. Более конкретно, она ускорила задачи оценки для улучшения обнаружения, прогнозирования и реакции на лечение. Разработчики также считают, что их инновация является первой, которая прогнозирует и подтверждает результаты в нескольких международных группах пациентов.

Модель ИИ читает цифровые слайды, содержащие образцы опухолей, анализирует молекулярные профили и находит раковые клетки. Она также изучала ткани, окружающие рост, которые указывают на то, как хорошо пациенты реагировали на стандартные методы лечения или показывают исследователям, какие из них менее эффективны. Эксперименты показали, что она была более точной, чем доступные продукты. Кроме того, она связала определенные характеристики опухолей с повышенными показателями выживаемости пациентов, потенциально открывая новые области исследований.

Исследователи обучили модель на 15 миллионах не размеченных изображений, разделенных на части в зависимости от областей интереса. На последнем этапе алгоритмы были подвергнуты воздействию 60 000 целых образцов, представляющих 19 видов рака. Этот подход научил ИИ оценивать все изображения для получения полных результатов.

Затем группа протестировала свой инструмент на 19 400 целых изображениях, найденных в 32 независимых наборах данных. Поскольку эта информация поступила из 24 глобально расположенных когорт пациентов и больниц, она обеспечивает точную выборку реальных условий.

Повышение ценности биомедицинских микроскопических изображений

Исследователи рака используют биомедицинские микроскопические изображения для продвижения своей работы, но существующие рабочие процессы занимают дни для изучения этих данных. Одна команда разработала новый компьютерный метод зрения для того, чтобы сделать эти важные задачи более эффективными. Он использует машинное обучение для анализа проб и находит общие характеристики среди раковых опухолей.

Инструмент эффективно получает результаты, изучая несколько областей отдельного роста и воспринимая их в целом. Другие продукты, анализирующие биомедицинские микроскопические изображения, делят крупные опухоли на более мелкие фрагменты и рассматривают части как отдельные пробы. Однако эти изображения могут содержать до 1 миллиарда пикселей, поэтому они требуют много времени для изучения.

Разработчики представляют, что клиницисты могут сделать почти немедленные диагнозы из изображений опухолей. Затем эти специалисты передадут информацию хирургам, выполняющим операции по удалению раковых тканей, позволяя им использовать самые актуальные знания.

Тесты, сравнивающие этот инструмент с лучшими базовыми методами анализа изображений, показали, что он был почти на 4% лучше и достиг почти 88% точности в некоторых случаях. Исследователи также подчеркнули, что пользователи могут применить его к любому типу опухоли и методу микроскопии, делая его широко применимым.

Продвижение исследований рака с помощью компьютерного зрения

ИИ-обоснованное компьютерное зрение может повысить результаты работы исследователей рака, максимизируя их научные и связанные с пациентами результаты. Эти примеры иллюстрируют обильный потенциал, но профессионалы, заинтересованные в применении технологии, должны делать это для дополнения приобретенного опыта и не рассматривать инновации как безошибочные.