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 образцов, 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 опухолей

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

Одна команда разработала инструмент на основе ИИ для анализа стандартных микроскопических изображений биопсий для прогнозирования генетической активности внутри опухолевых клеток. Они обучили свою инновацию на более чем 7 500 образцах, представляющих 16 типов рака и других соответствующих наборов данных, включая изображения здоровых клеток.

Эти исследователи отдали приоритет удобству использования, создавая свою программу на основе 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 генетические выражения 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. Пациенты, отнесенные к более рискованной категории, имели больше рецидивов и более короткие интервалы 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 использовать их только для дополнения своей работы. Если ИИ заменит прямой опыт, это может снизить положительные результаты для пациентов.

Поиск наиболее подходящих методов лечения

Пациенты, проходящие лечение, связанное с раком, рассказывают о стрессе и неприятных симптомах, связанных с потенциально неоптимальными решениями. Хотя многие люди переносят тошноту, выпадение волос и многое другое, они становятся менее согласными продолжать, если ранние тесты не показывают обнадеживающих результатов.

Все выигрывают, если специалисты по раку определяют наиболее подходящие для пациентов методы лечения раньше. Типичный 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 до 400 квадратных микрометров — примерно ширины 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 эти структуры улучшают реакции иммунотерапии у пациентов. Кроме того, инструмент различал раковые клетки и ткань слизистой оболочки в образцах желудочного рака, giúpая пользователям более точно определить степень распространения.

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

Сокращение сроков разработки лекарств

Сделать новые методы лечения рака коммерчески доступными 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, убеждая регулирующие органы расширить доступ к продукции.

Группа использовала почти 100 000 трехмерных микроскопических изображений клеток меланомы и геометрических алгоритмов глубокого обучения для анализа их формы. Ранее усилия получали только двумерные данные из образцов 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 изменчивость популяций клеток.

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

Поскольку ИИ показал биохимические изменения, исследователи считают, что их инновация может подчеркнуть конкретные цели для новых методов лечения рака. Затем программное обеспечение сократит предклинический срок с трех лет до трех месяцев. Кроме того, 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 улучшил задачи исследователей рака, но большинство инструментов обрабатывают только отдельные части рабочего процесса. Это означает, что медицинские специалисты, заинтересованные в интеграции технологии в свою работу, должны научиться использовать несколько продуктов. Однако некоторые группы хотят создать многоцелевые решения для повышения удобства использования.

Одна команда построила модель, подобную ChatGPT. Они использовали ее для нескольких 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 опухоли, которые указывают на то, как хорошо пациенты ответили на стандартное лечение или показывают исследователям, какие методы 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 неаннотированных изображений, разделенных на части в зависимости от областей интереса. Поздний шаг представил алгоритмы 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.

Улучшение 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 для того, чтобы сделать эти важные задачи более эффективными. Он использует машинное обучение для анализа образцов и находит общие характеристики среди раковых опухолей.

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

Разработчики представляют, что клиницисты могут делать почти немедленные диагнозы из изображений опухолей. Затем эти профессионалы передают 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 достигал почти 88% точности в некоторых случаях. Исследователи также подчеркнули, что пользователи могут применять его к любому типу опухоли и методу микроскопии, что делает его широко применимым.

Продвижение исследований рака с помощью компьютерного зрения

ИИ-обеспеченное компьютерное зрение может повысить результаты исследователей рака, максимизируя их научные и пациенто-ориентированные результаты. Эти примеры иллюстрируют обильный потенциал, но профессионалы, заинтересованные в применении технологии, должны делать это для дополнения приобретенных знаний и не должны рассматривать инновации как безошибочные.