Как компьютерное зрение способствует исследованию рака

Компьютерное зрение — это искусственный интеллект, позволяющий алгоритмам извлекать значимую информацию из видео и изображений. Исследователи онкологии изучили эффективные способы его использования для изучения фотографий, микроскопических образцов, медицинских сканов и многого другого. Некоторые подходы позволяют сократить ранее трудоемкие рабочие процессы, позволяя командам с ограниченными ресурсами достигать целей и повышать эффективность лечения пациентов.

Улучшение знаний о факторах, способствующих росту опухолей

Подтвердив наличие и тип рака в биопсийных образцах, патологи могут провести генетическое секвенирование молекул РНК в образцах. Затем они могут определить, какие изменения в геноме влияют на рост опухоли. Эта информация способствует проведению ценных исследований и разработке персонализированных вмешательств. Однако высокая стоимость и длительность существующих методов вынуждают некоторых исследователей искать эффективные альтернативы.

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

Исследователи сделали ставку на удобство использования и простоту интерпретации, создав программу на базе искусственного интеллекта для отображения информации о генах в виде визуальной карты биопсии опухоли. Это решение позволяет пользователям выявлять характерные вариации в конкретных областях. Группа также использовала стандартный метод окрашивания для визуализации раковых клеток, и инструмент позволил идентифицировать экспрессию более 15,000 XNUMX генов на окрашенных изображениях.

Результаты исследования показали более чем 80%-ную корреляцию между генетической активностью, предсказанной ИИ, и реальным поведением. Модель, как правило, работала лучше, когда выборка данных включала больше примеров конкретного типа рака.

Эксперименты этой исследовательской группы также продемонстрировали потенциальную валидность алгоритма для оценки геномного риска у пациентов с раком молочной железы. У пациентов, отнесённых к более высокому риску, наблюдалось больше рецидивов и более короткие промежутки между ними.

Люди использовали ИИ для других интересных медицинских достижений. Одна из разработок позволяет обнаружить COVID-19. с точностью до 99%, демонстрируя существенное улучшение общественного здравоохранения. Несмотря на впечатляющие возможности, специалисты должны лишь дополнять ими свою работу. Замена ИИ личного опыта может снизить положительные результаты лечения пациентов.

Поиск наиболее подходящих методов лечения

Люди, проходящие онкологические вмешательства, рассказывают о стрессе и неприятных симптомах, связанных с потенциально неоптимальными решениями. Хотя многие люди переносят тошноту, выпадение волос и другие неприятные ощущения, они становятся менее склонны продолжать лечение, если первые анализы не показывают обнадеживающих результатов.

Все выиграют, если онкологи смогут быстрее определить оптимальные методы лечения для конкретного пациента. Типичный подход к разработке планов лечения предполагает изучение данных КТ и МРТ, используя только одну точку данных на пиксель, представленную оттенками серого. Некоторые исследователи используют ИИ для достижения прогресса. Один инструмент может проверить до 30,000 XNUMX деталей на пиксель и анализировать образцы тканей размером до 400 квадратных микрометров — это примерно ширина пяти человеческих волос.

Команда использовала донорские образцы для оценки результатов. При применении к случаям рака мочевого пузыря платформа искусственного интеллекта обнаружила специализированную группу клеток, формирующую третичные лимфоидные структуры. Современные знания свидетельствуют о том, что они улучшают ответ пациентов на иммунотерапию. Кроме того, инструмент дифференцировал раковые клетки и ткани слизистой оболочки в образцах рака желудка, помогая пользователям более точно определить степень их распространения.

Исследователи полагают, что их работа может помочь врачам определить наиболее эффективные методы лечения различных видов рака. Если это так, это также может оптимизировать соответствующие исследования, помогая им извлекать более ценные данные из распространённых диагностических изображений.

Сокращение сроков разработки лекарств

Вывод новых методов лечения рака на рынок занимает годы, и перспективы зависят от успеха клинических испытаний. Исследователи в Лондоне недавно создан подход с использованием искусственного интеллекта к изучению того, насколько эффективно лекарства достигают своих целей. Сосредоточение внимания на наиболее эффективных вариантах может улучшить результаты и убедить регулирующие органы расширить доступность продуктов.

Группа использовала почти 100,000 3 XNUMXD-микроскопических изображений клеток меланомы и проанализировала их форму с помощью геометрических алгоритмов глубокого обучения. Предыдущие исследования позволяли получать только двумерные данные из образцов на предметных стеклах микроскопа, но этот подход позволяет изучать клетки в том виде, в каком они находятся в организме. Более того, он позволяет увидеть, как они меняют форму под воздействием определённых методов лечения, и демонстрирует изменчивость между популяциями клеток.

Этот инструмент с точностью более 99% определял, как конкретные препараты воздействуют на клетки. Он даже выявлял изменения формы клеток, вызванные воздействием препаратов на разные белки.

Поскольку ИИ выявляет биохимические изменения, исследователи полагают, что их нововведение может помочь выделить конкретные мишени для разработки новых противораковых препаратов. В этом случае программное обеспечение сократит сроки доклинических исследований с трёх лет до трёх месяцев. Кроме того, оно может сократить сроки клинических испытаний до шести лет, быстрее выявляя пациентов, которым препарат, скорее всего, будет полезен, и выявляя распространённые побочные эффекты.

Оптимизация задач по оценке рака

ИИ уже значительно расширил возможности исследователей онкологии, но большинство инструментов справляются лишь с отдельными этапами рабочего процесса. Это означает, что медицинским специалистам, заинтересованным во внедрении этой технологии в свою работу, необходимо освоить несколько продуктов. Однако некоторые группы стремятся создавать многоцелевые решения для повышения удобства использования.

Один из них построил модель, похожую на ChatGPT. Они использовали её для множественные оценочные процессы, связанные с 19 Типы рака, продемонстрировав свою универсальность. В частности, это ускорило задачи оценки для улучшения диагностики, прогнозирования и эффективности лечения. Разработчики также считают, что их инновация стала первой, которая позволяет прогнозировать и подтверждать результаты лечения у нескольких групп пациентов по всему миру.

Модель ИИ считывает цифровые слайды с образцами опухолей, анализирует молекулярные профили и обнаруживает раковые клетки. Она также исследует ткани, окружающие опухоли, что позволяет судить об эффективности стандартного лечения пациентов или выявляет менее эффективные методы. Эксперименты показали, что модель точнее существующих продуктов. Кроме того, она впервые связала определённые характеристики опухоли с повышением выживаемости пациентов, что потенциально открывает новые направления исследований.

Исследователи обучили модель на 15 миллионах немаркированных изображений, разделённых на фрагменты в зависимости от интересующих зон. На следующем этапе алгоритмы получили 60,000 19 примеров целых слайдов, представляющих XNUMX видов рака. Этот подход научил ИИ оценивать изображения целиком для получения точных результатов.

Затем группа протестировала свой инструмент на 19,400 32 изображениях целых слайдов, найденных в 24 независимых наборах данных. Поскольку эта информация была получена от XNUMX групп пациентов и больниц по всему миру, она обеспечивает точную выборку реальных заболеваний.

Повышение ценности изображений биомедицинской микроскопии

Исследователи рака используют биомедицинские микроскопические изображения для дальнейшей работы, но существующие рабочие процессы занимают несколько дней для анализа этих данных. Одна из команд разработала новую технологию компьютерного зрения, которая повышает эффективность этих важных задач. Она использует машинное обучение для анализа образцов и поиска общих характеристик среди раковых опухолей.

Инструмент эффективно получает результаты, исследуя несколько областей отдельного роста и воспринимая их как единое целое. Другие продукты, анализирующие биомедицинские микроскопические изображения, разделяют крупные опухоли на более мелкие участки и обрабатывают их как отдельные образцы. Однако эти изображения могут содержать до 1 миллиарда пикселей, поэтому их изучение занимает много времени.

Разработчики предполагают, что врачи смогут практически мгновенно ставить диагнозы по изображениям опухолей. Затем они будут передавать информацию хирургам, проводящим операции по удалению раковых тканей, что позволит им использовать самые актуальные данные.

Сравнительные тесты этого инструмента с наиболее эффективными методами анализа исходных изображений показали, что он почти на 4% лучше и в некоторых случаях достигал точности почти 88%. Исследователи также подчеркнули, что пользователи могут применять его к любому типу опухоли и методу микроскопии, что делает его широко применимым.

Развитие исследований рака с помощью компьютерного зрения

Компьютерное зрение на базе искусственного интеллекта может повысить эффективность работы исследователей онкологии, максимизируя как научные, так и медицинские результаты. Эти примеры иллюстрируют огромный потенциал, но специалистам, заинтересованным в применении этой технологии, следует делать это для расширения накопленного опыта, а не считать инновации абсолютно надежными.