Як комп’ютерне бачення покращує дослідження раку

Комп’ютерне бачення – це штучний інтелект, який дозволяє алгоритмам витягувати корисну інформацію з відео та зображень. Дослідники раку знайшли ефективні способи використовувати його для вивчення зображень, мікроскопічних зразків, медичних сканів та іншого. Деякі підходи можуть скоротити раніше громіздкі робочі процеси, дозволяючи командам з обмеженими ресурсами досягати цілей і підвищувати вплив на пацієнтів.

Покращення знань про фактори росту пухлин

Після підтвердження присутності та типу раку в біопсіях патологи можуть виконувати генетичну секвенцію РНК-молекул у зразках. Потім вони можуть визначити, які геномні зміни впливають на зростання пухлини. Ця інформація сприяє цінним дослідженням і персоналізованим втручанням. Однак сучасні методи дорогі та тривалі, тому деякі дослідники шукають життєздатні альтернативи.

Одна команда створила інструмент що аналізує стандартні мікроскопічні зображення біопсій для прогнозування генетичної активності в пухлинних клітинах. Вони тренували свою інновацію на понад 7 500 зразках, що представляють 16 типів раку та інших відповідних наборів даних, включаючи зображення здорових клітин.

Ці дослідники пріоритезували зручність завдяки легкій інтерпретації, створивши свою програму з штучним інтелектом для відображення інформації, пов’язаної з генами, у вигляді візуальної карти біопсії пухлини. Це дозволяє користувачам ідентифікувати особливі варіації в конкретних областях. Група також використала стандартний метод фарбування для візуалізації ракових клітин, і інструмент визначив генетичні вирази понад 15 000 генів у фарбованих зображеннях.

Їхні висновки показали кореляцію понад 80% між прогнозованою генетичною активністю штучним інтелектом та фактичною поведінкою. Модель загалом працювала краще, коли набір даних містив більше прикладів конкретного типу раку.

Експерименти цієї команди також показали потенційну валідність алгоритму для призначення геномних ризикових балів пацієнтам з раком молочної залози. Партії, класифіковані як ризикованіші, мали більше рецидивів і коротші інтервали між ними.

Люди використовували штучний інтелект для інших захоплюючих медичних досягнень. Одне досягнення може виявляти COVID-19 до 99% точності, демонструючи важливе поліпшення громадського здоров’я. Незважаючи на вражаючі можливості, професіонали повинні доповнювати свою роботу лише ними. Дозволяючи штучному інтелекту замінювати безпосередній досвід, можна зменшити позитивні результати лікування пацієнтів.

Пошук найбільш відповідних методів лікування

Люди, які проходять лікування, пов’язане з раком, описують стрес і неприємні симптоми, пов’язані з потенційно субоптимальними рішеннями. Хоча багато людей терплять нудоту, випадання волосся та інше, вони стають менш згодними продовжувати лікування, якщо перші тести не показують перспективних результатів.

Кожен виграє, якщо фахівці з раку визначать найкращі методи лікування для пацієнтів раніше. Типовий підхід до розробки планів лікування полягає в вивченні КТ- та МРТ-сканів з лише одним даними за піксель, представленим у вигляді відтінків сірого кольору. Деякі дослідники використовують штучний інтелект для прогресу. Одне інструмент може вивчити до 30 000 деталей за піксель і аналізувати тканинні зразки розміром до 400 квадратних мікрометрів – приблизно ширина п’яти людських волосин.

Команда використала донорські зразки для оцінки результатів. Коли його застосували до випадків раку сечового міхура, платформа штучного інтелекту виявила спеціалізовану групу клітин, яка створює третинні лімфоїдні структури. Поточні знання свідчать про те, що ці структури покращують реакцію імунотерапії пацієнтів. Крім того, інструмент відрізнив ракові клітини від тканинної слизової оболонки в зразках раку шлунка, допомагаючи користувачам більш точно визначити ступінь поширення захворювання.

Ці дослідники вважають, що їхні зусилля можуть показати лікарям, які методи лікування найкраще підходять для різних типів раку. Якщо так, це також може спростити відповідні дослідження, допомігши їм витягувати більше цінної інформації з загальних діагностичних зображень.

Скорочення термінів розробки ліків

Створення нових методів лікування раку та їхнє введення в комерційний оборот займає роки, а перспективи залежать від успішних клінічних випробувань. Дослідники в Лондоні недавно створили підхід, що використовує штучний інтелект для вивчення того, як добре препарати досягають своїх цілей. Фокусування на найбільш ефективних варіантах може покращити результати, переконуючи регуляторів розширити доступність продукції.

Група використала майже 100 000 тривимірних мікроскопічних зображень клітин меланоми, а алгоритми геометричного глибинного навчання аналізували їхню форму. Попередні зусилля отримували лише двовимірні дані з зразків на мікроскопічних склінах, але цей підхід вивчає клітини так, як вони виглядають у тілі. Крім того, він показує, як вони змінюють форму під впливом конкретних методів лікування та демонструє варіативність у популяціях клітин.

Цей інструмент був більш ніж на 99% точним у визначенні того, як конкретні препарати впливають на клітини. Він навіть визначив зміни форми, викликані препаратами, що націлені на різні білки.

Оскільки штучний інтелект показав біохімічні зміни, дослідники вважають, що їхня інновація може виділити конкретні цілі для нового ракового лікування. Потім програмне забезпечення скоротить попередній термін розробки з трьох років до трьох місяців. Крім того, воно може скоротити клінічні випробування до шести років, швидше знайшовши пацієнтів, які найімовірніше отримають користь, та визначивши поширені побічні ефекти.

Спрощення завдань оцінки раку

Штучний інтелект вже покращив обов’язки дослідників раку, але більшість інструментів обробляють лише окремі частини робочого процесу. Це означає, що медичні фахівці, які хочуть інтегрувати технологію в свій робочий день, повинні навчитися використовувати кілька продуктів. Однак деякі групи хочуть створити багатофункціональні рішення для підвищення зручності користувача.

Одна команда створила модель, подібну до ChatGPT. Вони використали її для багатьох оцінювальних процесів, пов’язаних з 19 типами раку, демонструючи її універсальність. Конкретно, вона прискорила завдання оцінки для покращеного виявлення, прогнозування та реакції на лікування. Розробники також вважають, що їхня інновація є першою, яка передбачає та підтверджує результати в кількох міжнародних групах пацієнтів.

Модель штучного інтелекту читає цифрові скліни, що містять зразки пухлин, аналізує молекулярні профілі та знаходить ракові клітини. Вона також вивчає тканини, що оточують пухлини, які вказують на те, як добре пацієнти реагують на стандартне лікування або показують дослідникам, яке лікування менш ефективне. Експерименти показали, що вона є більш точною, ніж зараз доступні продукти. Крім того, вона пов’язала особливі характеристики пухлин з підвищеними показниками виживання пацієнтів вперше, потенційно відкриваючи нові області дослідження.

Дослідники тренували модель на 15 мільйонах незначених зображень, розділених на частини залежно від областей інтересу. Пізніше етапи піддали алгоритми 60 000 цілих зображень, що представляють 19 типів раку. Цей підхід навчив штучний інтелект оцінювати весь зображення для отримання повних результатів.

Потім команда протестувала свій інструмент на 19 400 цілих зображень, знайдених у 32 незалежних наборах даних. Оскільки ці дані походять з 24 глобально розташованих когорт пацієнтів та лікарень, вони забезпечують точну вибірку реальних умов.

Покращення цінності біомедичних мікроскопічних зображень

Дослідники раку використовують біомедичні мікроскопічні зображення для просування своєї роботи, але існуючі робочі процеси займають дні для вивчення цих даних. Одна команда розробила нову комп’ютерну техніку бачення для того, щоб зробити ці важливі завдання більш ефективними. Вона використовує машинне навчання для аналізу зразків та виявлення спільних характеристик серед ракових пухлин.

Інструмент ефективно отримує результати шляхом вивчення кількох областей окремих пухлин та сприйняття їх як цілого. Інші продукти, що аналізують біомедичні мікроскопічні зображення, ділять великі пухлини на менші шматки та обробляють частини як окремі зразки. Однак ці зображення можуть містити до 1 мільярда пікселів, тому їх вивчення займає багато часу.

Розробники бачать, як клініцисти можуть зробити几乎 негайні діагнози з зображень пухлин. Потім ці фахівці передають інформацію хірургам, які виконують операції з видалення ракових тканин, дозволяючи їм використовувати найсвіжіші знання.

Тести, що порівнюють цей інструмент з найкращими базовими техніками аналізу зображень, показали, що він майже на 4% краще та досягнув майже 88% точності в деяких випадках. Дослідники також підкреслили, що користувачі можуть застосовувати його до будь-якого типу пухлини та методу мікроскопії, роблячи його широкозастосовним.

Продовжуючи дослідження раку з комп’ютерним баченням

Штучний інтелект, що використовує комп’ютерне бачення, може підвищити продуктивність дослідників раку, максимізуючи їхні наукові та пацієнт-орієнтовані результати. Ці приклади демонструють великий потенціал, але фахівці, які хочуть застосовувати цю технологію, повинні зробити це для доповнення свого набутого досвіду, а не вважати інновації абсолютно надійними.