Hur datorseende förbättrar cancerforskning

Datorseende är en form av artificiell intelligens som tillåter algoritmer att extrahera meningsfull information från videor och bilder. Cancerforskare har undersökt effektiva sätt att använda det för att undersöka bilder, mikroskopiska prover, medicinska skanningar och mer. Vissa tillvägagångssätt kan förkorta tidigare krävande arbetsflöden, vilket gör det möjligt för resursutsatta team att uppnå mål och öka patienternas effekter.

Att förbättra kunskapen om cancertumörers tillväxtfaktorer

Efter att ha bekräftat närvaron och typen av cancer i biopsier kan patologer utföra genetisk sekvensering på RNA-molekyler i proverna. Sedan kan de ta reda på vilka genetiska förändringar som påverkar tumörens tillväxt. Den informationen främjar värdefull forskning och personliga ingrepp. Men nuvarande metoders kostnad och långa processer gör att vissa forskare är angelägna om att hitta alternativ.

En grupp utvecklade ett AI-verktyg som analyserar standardmikroskopibilder av biopsier för att förutsäga den genetiska aktiviteten i cancerceller. De tränade sin innovation på över 7 500 prover som representerar 16 cancertyper och andra relevanta datamängder, inklusive bilder av friska celler.

Dessa forskare prioriterade användbarhet genom lätt tolkbarhet och skapade sitt AI-drivna program för att visa den genrelaterade informationen som en visuell tumörbiopsikarta. Det beslutet möjliggör för användare att identifiera distinkta variationer i specifika områden. Gruppen använde också en standardfärgningsmetod för att visualisera cancerceller, och verktyget identifierade de genetiska uttrycken för mer än 15 000 gener i de färgade bilderna.

Deras fynd indikerade en korrelation på över 80 % mellan den AI-förutsagda genetiska aktiviteten och det faktiska beteendet. Modellen fungerade generellt bättre när provdatamängden innehöll fler exempel på en specifik cancertyp.

Denna forskargrupps experiment visade också algoritmens potentiella giltighet för att tilldela genetiska riskpoäng till patienter med bröstcancer. Parter som klassificerades som riskabelare hade fler återfall och kortare tidsintervall mellan dem.

Människor har använt AI för andra fascinerande medicinska framsteg. En utveckling kan upptäcka COVID-19 med upp till 99 % noggrannhet, vilket visar en viktig förbättring av folkhälsan. Trots dessa möjligheters imponerande karaktär måste proffs endast komplettera sitt arbete med dem. Att låta AI ersätta första handsupplevelser kan minska de positiva patientresultaten.

Att hitta de mest lämpliga behandlingarna

Personer som genomgår cancerrelaterade ingrepp beskriver stressen och obehagliga symtom som är förknippade med potentiellt undermåliga lösningar. Även om många individer tål illamående, håravfall och mer, blir de mindre benägna att fortsätta om tidiga tester inte visar lovande resultat.

Alla drar nytta av att cancerexperter identifierar de bästa patient-specifika behandlingarna tidigare. Den typiska metoden för att utforma vårdplaner innebär att studera CT- och MR-skanningar med endast en datapunkt per pixel, representerad som nyanser av grått. Vissa forskare använder AI för att göra framsteg. Ett verktyg kan undersöka upp till 30 000 detaljer per pixel och analysera vävnadsprover som är så små som 400 kvadratiska mikrometer — ungefär bredden på fem mänskliga hårstrån.

Gruppen använde donerade prover för att utvärdera resultaten. När det tillämpades på blåscancerfall upptäckte AI-plattformen en specialiserad cellgrupp som skapar tertiära lymfoida strukturer. Nuvarande kunskap tyder på att dessa förbättrar patienternas immunterapi-svar. Dessutom skiljde verktyget mellan cancerceller och vävnadsmukosa i magcancerprover, vilket hjälper användare att mer exakt bestämma utbredningen.

Dessa forskare tror att deras ansträngningar kan visa läkare vilka behandlingar som fungerar bäst för olika cancertyper. Om så är fallet kan det också strömlinjeforma relevant forskning genom att hjälpa dem att extrahera mer värdefull data från vanliga diagnostiska bilder.

Att förkorta läkemedelsutvecklingstider

Att göra nya cancervacciner kommersiellt tillgängliga tar år, och utsikterna beror på framgångsrika kliniska prövningar. Forskare i London skapade nyligen en AI-aktiverad metod för att studera hur väl läkemedel når sina mål. Att fokusera på de mest effektiva alternativen kan förbättra resultaten och övertyga regulatorer om att utöka produkttillgängligheten.

Gruppen använde nästan 100 000 3D-mikroskopi-bilder av melanomceller, och geometrisk djupinlärningsalgoritmer analyserade deras form. Tidigare ansträngningar fick endast tvådimensionella data från prover på mikroskopsobjektsglas, men detta tillvägagångssätt undersöker celler som de visas i kroppar. Dessutom avslöjar det hur de ändrar form på grund av specifika behandlingar och visar variation över cellulära populationer.

Detta verktyg var mer än 99 % korrekt i att upptäcka hur specifika läkemedel påverkade cellerna. Det identifierade till och med formförändringar utlösta av de som riktade sig mot olika proteiner.

Eftersom AI avslöjade biokemiska förändringar tror forskarna att deras innovation kan belysa specifika mål att betona med nya cancervacciner. Sedan skulle programvaran förkorta den prekliniska tidsramen från tre år till tre månader. Det kan också minska prövningarna med upp till sex år, vilket snabbare hittar patienterna som sannolikt kommer att dra nytta av och identifierar de vanligaste bieffekterna.

Att effektivisera cancerevalueringsuppgifter

AI har redan förbättrat cancerforskarnas uppgifter, men de flesta verktyg hanterar endast enskilda delar av arbetsflödet. Det innebär att medicinska specialister som är intresserade av att integrera tekniken i sitt arbete behöver lära sig att använda flera produkter. Men vissa grupper vill bygga flerfunktionella lösningar för att öka användarvänligheten.

En grupp byggde en modell liknande ChatGPT. De använde den för flera utvärderingsprocesser kopplade till 19 cancertyper, vilket visar dess mångsidighet. Mer specifikt accelererade den utvärderingsuppgifter för förbättrad upptäckt, prognos och behandlingssvar. Utvecklarna tror också att deras innovation är den första som förutsäger och validerar resultat över flera internationella patientgrupper.

AI-modellen läser digitala bilder som innehåller tumörprover, analyserar de molekylära profilerna och hittar cancerceller. Den undersökte också vävnaderna runt tillväxten, vilket indikerar hur väl patienterna har svarat på standardbehandlingar eller visar forskare vilka som är mindre effektiva. Experiment föreslog att det var mer exakt än nuvarande produkter. Dessutom kopplade det specifika tumöregenskaper till ökad patientöverlevnad för första gången, vilket potentiellt låser upp nya forskningsområden.

Forskarna tränade modellen på 15 miljoner oetiketterade bilder som delades upp beroende på områden av intresse. Ett senare steg utsatte algoritmerna för 60 000 hela bildexempel som representerade de 19 cancertyperna. Detta tillvägagångssätt lärde AI att utvärdera hela bilder för omfattande resultat.

Sedan testade gruppen sitt verktyg på 19 400 hela bildbilder som hittades i 32 oberoende datamängder. Eftersom den informationen kom från 24 globalt belägna patientkohorter och sjukhus, ger den en exakt representation av verkliga förhållanden.

Att förbättra värdet av biomedicinska mikroskopi-bilder

Cancerforskare använder biomedicinska mikroskopi-bilder för att främja sitt arbete, men befintliga arbetsflöden tar dagar att undersöka dessa data. En grupp utvecklade en ny datorseende-teknik för att göra dessa viktiga uppgifter mer effektiva. Den använder maskinlärning för att analysera prover och hitta gemensamma egenskaper bland cancercell-tumörer.

Verktyget får effektivt resultat genom att undersöka flera områden av enskilda tillväxter och uppfatta dem som en helhet. Andra produkter som analyserar biomedicinska mikroskopi-bilder delar stora tumörer upp i mindre patchar och behandlar portionerna som separata prover. Men dessa bilder kan innehålla upp till 1 miljard pixlar, så de är tidskrävande att studera.

Utvecklarna föreställer sig att kliniker kan göra nästan omedelbara diagnoser från tumörbilder. Sedan kan dessa proffs överföra informationen till kirurger som utför operationer för att extrahera cancerceller, vilket gör det möjligt för dem att använda de senaste insikterna.

Tester som jämförde detta verktyg med de bäst presterande baslinje-bildanalysteknikerna visade att det var nästan 4 % bättre och uppnådde nästan 88 % noggrannhet i vissa fall. Forskarna betonade också att användare kunde applicera det på vilken tumörtyp som helst och mikroskopimetod, vilket gör det brett tillämpligt.

Att driva cancerforskning framåt med datorseende

AI-drivet datorseende kan höja cancerforskarnas utdata, maximera deras vetenskapliga och patientrelaterade resultat. Dessa exempel illustrerar den rikliga potentialen, men proffs som är intresserade av att tillämpa tekniken bör göra det för att komplettera den förvärvade expertisen och inte behandla innovationer som ofelbara.