计算机视觉如何增强癌症研究

计算机视觉是人工智能的一种形式，允许算法从视频和图像中提取有意义的信息。癌症研究人员已经探索了使用它来检查图片、显微镜样本、医疗扫描和更多的有效方法。一些方法可以缩短以前繁琐的工作流程，允许资源紧张的团队实现目标和提高患者影响。

提高对肿瘤生长驱动因素的了解

在确认活检中癌症的存在和类型后，病理学家可能会对样本中的RNA分子进行基因测序。然后，他们可以找到哪些基因变化影响肿瘤的生长。这些信息促进了有价值的研究和个性化干预。然而，当前方法的昂贵和漫长过程使一些研究人员渴望可行的替代方案。

一个团队建立了一个AI工具分析标准显微镜图像的活检，以预测肿瘤细胞中的基因活动。他们在超过7,500个样本上训练了他们的创新，这些样本代表了16种癌症类型和其他相关数据集，包括健康细胞的图片。

这些研究人员优先考虑了易用性，通过易于解释，创建了他们的AI驱动程序，将基因相关信息显示为视觉肿瘤活检地图。该决定允许用户识别特定区域的独特变化。该团队还依赖于一种标准的染色方法来可视化癌细胞，并且该工具识别了染色图像中超过15,000个基因的基因表达。

他们的发现表明，AI预测的基因活动和实际行为之间的相关性超过80%。该模型在样本数据集包含更多特定癌症类型的示例时通常表现更好。

该研究团队的实验还表明，该算法具有潜在的有效性，用于为患有乳腺癌的患者分配基因风险评分。被归类为更高风险的人有更多的复发和更短的复发间隔。

人们已经使用AI实现了其他令人着迷的医疗进步。一个发展可以检测COVID-19 ，准确率高达99%，展示了一个基本的公共卫生改进。尽管这些可能性令人印象深刻，但专业人员必须只用它们来补充他们的工作。让AI取代亲身经验可能会降低积极的患者结果。

找到最合适的治疗方法

接受与癌症相关的干预措施的人详细描述了与潜在的次优解决方案相关的压力和不愉快的症状。虽然许多人可以忍受恶心、脱发等，但如果早期测试没有显示出有希望的结果，他们就会变得不那么愿意继续。

每个人都受益于癌症专家尽早确定最适合患者的治疗方法。典型的护理计划设计方法涉及研究CT和MRI扫描，每个像素只有一个数据点，表示为灰色阴影。一些研究人员使用AI来取得进展。一个工具 可以检查每个像素高达30,000个细节，并分析小至400平方微米的组织样本——大约是五根人类头发的宽度。

该团队使用捐赠的样本来评估结果。当应用于膀胱癌病例时，AI平台发现了一种专门的细胞群，它创建了三级淋巴组织。当前的知识表明，这些组织可以提高患者的免疫疗法反应。此外，该工具区分了癌细胞和胃癌样本中的组织黏膜，有助于用户更准确地确定其扩散的程度。

这些研究人员相信，他们的努力可能会向医生展示哪些治疗方法最适合各种类型的癌症。如果是这样，它也可能通过帮助他们从常见的诊断图像中提取更有价值的数据来简化相关的研究。

缩短药物开发时间表

使新癌症治疗方法商业化需要数年，其前景取决于成功的临床试验。伦敦的研究人员 最近创建了一个AI启用的方法，用于研究药物如何到达其目标。专注于最有效的选项可能会改善结果，说服监管机构扩大产品的可用性。

该团队使用了几乎100,000张黑色素瘤细胞的3D显微镜图像，并使用几何深度学习算法分析了它们的形状。以前的努力只从显微镜片上的样本中获得了二维数据，但这种方法检查细胞的外观，如同在体内一样，并显示了它们如何由于特定的治疗方法而改变形状，并在细胞群体中显示出变异性。

该工具在检测特定药物对细胞的影响方面的准确率超过99%。它甚至识别了由针对不同蛋白质的药物引起的形状变化。

由于AI揭示了生物化学变化，研究人员认为他们的创新可能会突出新癌症药物中需要强调的特定目标。然后，软件将缩短预临床时间框架，从三年缩短到三个月。相关地，它可以将试验缩短多达六年，更快速地找到最有可能受益的患者，并确定常见的副作用。

简化癌症评估任务

AI已经增强了癌症研究人员的职责，但大多数工具只处理工作流程的个别部分。这意味着希望将技术集成到工作日中的医疗专家需要学习使用多个产品。然而，一些团体希望建立多功能解决方案以提高用户友好性。

一个团队建立了一个类似于ChatGPT的模型。他们使用它进行 与19种癌症类型相关的多个评估过程，展示了其多功能性。更具体地说，它加速了检测、预后和治疗反应的评估任务。开发人员还相信，他们的创新是第一个跨多个国际患者群体预测和验证结果的创新。

AI模型读取包含肿瘤样本的数字幻灯片，分析分子特征，并找到癌细胞。它还检查了肿瘤周围的组织，这些组织表明患者如何对标准治疗做出反应，或者表明哪些治疗方法不太有效。实验表明，它比目前可用的产品更准确。另外，它将特定的肿瘤特征与患者的生存率提高联系起来，这可能会解锁新的研究领域。

研究人员将模型训练在1,500万个未标记的图像上，这些图像根据感兴趣的区域分成块。后一步骤将算法暴露在60,000个代表19种癌症类型的完整幻灯片示例中。这种方法教会了AI如何评估整个图像以获得全面结果。

然后，该团队在32个独立数据集中测试了他们的工具，发现了19,400张完整的幻灯片图像。由于这些信息来自24个全球分布的患者队列和医院，因此它提供了现实生活条件的准确样本。

增强生物医学显微镜图像的价值

癌症研究人员使用生物医学显微镜图像来推进他们的工作，但现有的工作流程需要数天时间来检查这些数据。一个团队开发了一种新的计算机视觉技术，使这些基本任务更加高效。它使用机器学习来分析样本并在癌性肿瘤中找到共同的特征。

该工具通过检查个别生长的多个区域并将其视为一个整体来高效地获得结果。其他分析生物医学显微镜图像的产品将大型肿瘤分成较小的补丁，并将这些部分视为单独的样本。然而，这些图片可以 包含多达10亿个像素，因此研究它们非常耗时。

开发人员设想临床医生可以从肿瘤图像中几乎立即做出诊断。然后，这些专业人员将信息传递给进行手术以提取癌性组织的外科医生，允许他们使用最新的见解。

将该工具与最佳基线图像分析技术进行比较的测试显示，它几乎好4%，在某些情况下达到88%的准确率。研究人员还强调，用户可以将其应用于任何类型的肿瘤和显微镜方法，使其具有广泛的适用性。

用计算机视觉推进癌症研究

AI驱动的计算机视觉可以提高癌症研究人员的产出，最大化他们的科学和患者相关结果。这些例子说明了丰富的潜力，但希望应用该技术的专业人员应该将其用来增强他们的专业知识，而不是将创新视为万无一失的。