Το νέο εργαλείο τεχνητής νοημοσύνης φέρνει την παθολογία ακριβείας για τον καρκίνο και όχι μόνο σε πιο γρήγορη και ευκρινή εστίαση

Ένα νέο εργαλείο τεχνητής νοημοσύνης που ερμηνεύει ιατρικές εικόνες με πρωτοφανή σαφήνεια το κάνει με τρόπο που θα μπορούσε να επιτρέψει στους χρονικά περιορισμένους κλινικούς γιατρούς να αφιερώσουν την προσοχή τους σε κρίσιμες πτυχές της διάγνωσης της νόσου και της ερμηνείας της εικόνας.

Το εργαλείο, που ονομάζεται iStar (Inferring Super-Resolution Tissue Architecture), αναπτύχθηκε από ερευνητές της Ιατρικής Σχολής Perelman στο Πανεπιστήμιο της Πενσυλβάνια, οι οποίοι πιστεύουν ότι μπορούν να βοηθήσουν τους κλινικούς γιατρούς να διαγνώσουν και να θεραπεύσουν καλύτερα τους καρκίνους που διαφορετικά θα μπορούσαν να μην ανιχνευθούν.

ο τεχνική απεικόνισης παρέχει τόσο πολύ λεπτομερείς απόψεις μεμονωμένων κυττάρων όσο και μια ευρύτερη ματιά στο πλήρες φάσμα του τρόπου λειτουργίας των γονιδίων των ανθρώπων, κάτι που θα επέτρεπε σε γιατρούς και ερευνητές να δουν Καρκίνος κύτταρα που διαφορετικά θα μπορούσαν να ήταν σχεδόν αόρατα. Αυτό το εργαλείο μπορεί να χρησιμοποιηθεί για να προσδιορίσει εάν επιτεύχθηκε ασφαλή περιθώρια μέσω χειρουργικών επεμβάσεων καρκίνου και παρέχει αυτόματα σχολιασμούς για μικροσκοπικές εικόνες, ανοίγοντας το δρόμο για τη διάγνωση μοριακών ασθενειών σε αυτό το επίπεδο.

Μια εργασία για τη μέθοδο, με επικεφαλής τον Daiwei “David” Zhang, Ph.D., επιστημονικό συνεργάτη, και τον Mingyao Li, Ph.D., καθηγητή Βιοστατιστικής και Ψηφιακής Παθολογίας, δημοσιεύτηκε σήμερα στο Βιοτεχνολογία Φύσης.

Ο Li είπε ότι το iStar έχει την ικανότητα να ανιχνεύει αυτόματα κρίσιμους αντικαρκινικούς ανοσολογικούς σχηματισμούς που ονομάζονται «τριτογενείς λεμφικές δομές», η παρουσία των οποίων συσχετίζεται με την πιθανή επιβίωση του ασθενούς και την ευνοϊκή ανταπόκριση στην ανοσοθεραπεία, η οποία χορηγείται συχνά για τον καρκίνο και απαιτεί υψηλή ακρίβεια στην επιλογή ασθενών. . Αυτό σημαίνει, είπε ο Li, ότι το iStar θα μπορούσε να είναι ένα ισχυρό εργαλείο για τον προσδιορισμό του ποιοι ασθενείς θα ωφεληθούν περισσότερο από την ανοσοθεραπεία.

Η ανάπτυξη του iStar ελήφθη ως μέρος του πεδίου της χωρικής μεταγραφικής, ενός σχετικά νέου πεδίου που χρησιμοποιείται για τη χαρτογράφηση γονιδιακών δραστηριοτήτων εντός του χώρου των ιστών. Η Λι και οι συνεργάτες της προσάρμοσαν ένα εργαλείο μηχανικής μάθησης που ονομάζεται Hierarchical Vision Transformer και το εκπαίδευσαν σε τυπικές εικόνες ιστού.

Ξεκινά με τη διάσπαση των εικόνων σε διαφορετικά στάδια, ξεκινώντας από μικρές και αναζητώντας λεπτές λεπτομέρειες, στη συνέχεια ανεβάζοντας και «πιάνοντας ευρύτερα μοτίβα ιστού», σύμφωνα με τον Li. Ένα δίκτυο που καθοδηγείται από το σύστημα AI μέσα στο iStar χρησιμοποιεί τις πληροφορίες από το Hierarchical Vision Transformer για να απορροφήσει στη συνέχεια όλες αυτές τις πληροφορίες και να τις εφαρμόσει για να προβλέψει τις γονιδιακές δραστηριότητες, συχνά σε ανάλυση σχεδόν ενός κυττάρου.

«Η δύναμη του iStar πηγάζει από τις προηγμένες τεχνικές του, οι οποίες αντικατοπτρίζουν, αντίστροφα, πώς ένας παθολόγος θα μελετούσε ένα δείγμα ιστού», εξήγησε ο Λι. “Ακριβώς όπως ένας παθολόγος προσδιορίζει ευρύτερες περιοχές και στη συνέχεια μεγεθύνει σε λεπτομερείς κυτταρικές δομές, το iStar μπορεί να συλλάβει τις κύριες δομές των ιστών και επίσης να εστιάσει στις μικρολεπτομέρειες σε μια εικόνα ιστού.”

Για να δοκιμάσουν την αποτελεσματικότητα του εργαλείου, η Li και οι συνεργάτες της αξιολόγησαν το iStar σε πολλούς διαφορετικούς τύπους καρκινικών ιστών, συμπεριλαμβανομένων των καρκίνων του μαστού, του προστάτη, των νεφρών και του παχέος εντέρου, σε συνδυασμό με υγιείς ιστούς. Στο πλαίσιο αυτών των δοκιμών, το iStar ήταν σε θέση να ανιχνεύσει αυτόματα όγκο και καρκινικά κύτταρα που ήταν δύσκολο να αναγνωριστούν μόνο με το μάτι. Οι κλινικοί γιατροί στο μέλλον ενδέχεται να είναι σε θέση να συλλάβουν και να διαγνώσουν περισσότερους δυσδιάκριτους ή δυσνόητους καρκίνους με το iStar να λειτουργεί ως στρώμα υποστήριξης.

Εκτός από τις κλινικές δυνατότητες που παρουσιάζει η τεχνική iStar, το εργαλείο κινείται εξαιρετικά γρήγορα σε σύγκριση με άλλα, παρόμοια εργαλεία τεχνητής νοημοσύνης. Για παράδειγμα, όταν δημιουργήθηκε με το σύνολο δεδομένων για τον καρκίνο του μαστού που χρησιμοποίησε η ομάδα, το iStar ολοκλήρωσε την ανάλυσή του σε μόλις εννέα λεπτά. Αντίθετα, το εργαλείο τεχνητής νοημοσύνης του καλύτερου ανταγωνιστή χρειάστηκε περισσότερες από 32 ώρες για να καταλήξει σε μια παρόμοια ανάλυση.

Αυτό σημαίνει ότι το iStar ήταν 213 φορές πιο γρήγορο.

«Το συμπέρασμα είναι ότι το iStar μπορεί να εφαρμοστεί σε μεγάλο αριθμό δειγμάτων, κάτι που είναι κρίσιμο σε μεγάλης κλίμακας βιοϊατρικές μελέτες», είπε ο Λι. “Η ταχύτητά του είναι επίσης σημαντική για τις τρέχουσες επεκτάσεις του στην πρόβλεψη δειγμάτων 3D και βιοτράπεζας. Στο τρισδιάστατο πλαίσιο, ένα μπλοκ ιστού μπορεί να περιλαμβάνει εκατοντάδες έως χιλιάδες σειριακά κομμένα ιστός φέτες. Η ταχύτητα του iStar καθιστά δυνατή την ανακατασκευή αυτού του τεράστιου όγκου χωρικών δεδομένων μέσα σε σύντομο χρονικό διάστημα».

Και το ίδιο ισχύει για τις βιοτράπεζες, που αποθηκεύουν χιλιάδες, αν όχι εκατομμύρια, δείγματα. Εδώ η Li και οι συνάδελφοί της στοχεύουν στη συνέχεια στην έρευνα και την επέκταση του iStar. Ελπίζουν να βοηθήσουν τους ερευνητές να κατανοήσουν καλύτερα τα μικροπεριβάλλοντα μέσα στους ιστούς, τα οποία θα μπορούσαν να παρέχουν περισσότερα δεδομένα για διαγνωστικούς και θεραπευτικούς σκοπούς.