Biegowelove.pl

informacje o Polsce. Wybierz tematy, o których chcesz dowiedzieć się więcej

Samodzielnie opracowane narzędzie AI pomaga diagnozować powszechny rak płuc i przewidywać jego ciężkość

Samodzielnie opracowane narzędzie AI pomaga diagnozować powszechny rak płuc i przewidywać jego ciężkość

Źródło: domena publiczna Unsplash/CC0

Nowe badanie pokazuje, że program komputerowy oparty na danych z prawie pół miliona obrazów tkanek i wspomagany sztuczną inteligencją może dokładnie zdiagnozować gruczolakoraka, najczęstszą postać raka płuc.

Program opracowali i przetestowali naukowcy z Perlmutter Cancer Center przy Uniwersytecie Nowojorskim Langone Health i Uniwersytetu w Glasgow. Twierdzą, że ponieważ uwzględnia cechy strukturalne nowotworów od 452 pacjentów z gruczolakorakiem, którzy znajdują się wśród ponad 11 000 pacjentów w Atlasie genomu nowotworu amerykańskiego Narodowego Instytutu Raka, oprogramowanie zapewnia bezstronną, szczegółową i wiarygodną drugą opinię dla pacjentów i onkologów. O obecności raka oraz prawdopodobieństwie i czasie jego nawrotu (rokowanie).

Zespół badawczy podkreśla również, że oprogramowanie jest niezależne i „samouczy się”, co oznacza, że ​​samodzielnie zidentyfikowało, które cechy strukturalne są najbardziej statystycznie istotne przy pomiarze ciężkości choroby i mają największy wpływ na nawrót nowotworu.

Publikacja w czasopiśmie Komunikacja przyrodniczaodkryli, że oprogramowanie badawcze, zwane także algorytmem – a dokładniej uczeniem się fenotypu histologicznego (HPL) – dokładnie rozróżnia podobne nowotwory płuc, gruczolakoraka i raka płaskonabłonkowego w 99% przypadków. Naukowcy odkryli również, że oprogramowanie HPL było w 72% dokładne w przewidywaniu prawdopodobieństwa i czasu nawrotu nowotworu po leczeniu, co stanowi poprawę w porównaniu do 64% dokładności przewidywań patologów, którzy bezpośrednio badali obrazy nowotworu u tych samych pacjentów – twierdzą naukowcy.

„Nasz nowy program uczenia się w zakresie fenotypowania tkanek może zapewnić specjalistom onkologii i ich pacjentom szybkie i bezstronne narzędzie diagnostyczne w kierunku gruczolakoraka płuc, które – po zakończeniu dodatkowych badań – będzie można również wykorzystać do potwierdzenia, a nawet ukierunkowania decyzji dotyczących leczenia”. „Jesteśmy tym bardzo podekscytowani” – powiedział główny badacz, dr Nicholas Coudray, programista bioinformatyki w Grossman School of Medicine na Uniwersytecie Nowojorskim i w Perlmutter Cancer Center.

„Pacjenci, klinicyści i badacze wiedzą, że mogą polegać na tym modelowaniu predykcyjnym, ponieważ jest ono przedmiotem samokształcenia, zapewnia decyzje dające się zinterpretować i opiera się wyłącznie na wiedzy uzyskanej konkretnie na temat tkanki każdego pacjenta, w tym na cechach takich jak odsetek martwych, opornych komórek odpornościowych komórek nowotworowych” – powiedział Coudray, między innymi na temat guza i gęstości komórek nowotworowych.

„Nasz program komputerowy może teraz analizować próbki tkanki płuc w ciągu kilku minut, aby zapewnić dość dokładne przewidywania nawrotu nowotworu, które są lepsze niż obecne standardy opieki w diagnostyce gruczolakoraka płuc” – stwierdził główny badacz badania. Doktor Aristotis Tsirigos Tsirigos jest profesorem na wydziałach patologii i medycyny w Grossman School of Medicine na Uniwersytecie Nowojorskim i w Perlmutter Cancer Center, gdzie pełni także funkcję zastępcy dyrektora medycyny precyzyjnej i dyrektora laboratoriów bioinformatyki stosowanej.

Dzięki tym narzędziom i innym postępom w biologii raka płuc patolodzy będą przeglądać skany tkanek na ekranach komputerów, coraz rzadziej pod mikroskopami, a następnie korzystając z własnego oprogramowania opartego na sztucznej inteligencji, analizują obraz i tworzą własny obraz nowotworu. – mówi Tsirigos. do badania.

Dodają, że nowy obraz, czyli „krajobraz”, umożliwi szczegółową analizę zawartości tkanki. Moglibyśmy na przykład zobaczyć, że występuje 5% martwicy i 10% nacieku nowotworu i co to oznacza pod względem przeżycia. Odczyt ten statystycznie odpowiada 80% szansom na pozostanie wolnym od raka przez dwa lata lub dłużej, na podstawie informacji pochodzących ze wszystkich danych pacjentów objętych programem.

Aby opracować HPL, naukowcy najpierw przeanalizowali preparaty tkanki gruczolakoraka płuc z Atlasu genomu raka. Do modelu testowego wybrano gruczolakoraka, ponieważ wiadomo, że choroba ta ma odrębną charakterystykę. Zaobserwowali na przykład, że komórki nowotworowe mają tendencję do skupiania się w tak zwane wzory groniaste, czyli cystopodobne, i rozprzestrzeniają się w przewidywalny sposób wzdłuż powierzchniowej wyściółki komórek płuc.

Analizując slajdy, których obrazy wizualne zostały zeskanowane cyfrowo i podzielone na 432 231 małych kwadratów lub płytek, naukowcy odkryli 46 kluczowych cech, które nazywają histologicznymi skupiskami fenotypowymi, prawidłowej i chorej tkanki, których podzbiór był statystycznie powiązany z albo wczesny nawrót raka, albo długoterminowe przeżycie. Odkrycia zostały następnie potwierdzone dodatkowymi, oddzielnymi testami obrazów tkanek od 276 mężczyzn i kobiet leczonych z powodu gruczolakoraka na Uniwersytecie Nowojorskim w Langone w latach 2006–2021.

Naukowcy twierdzą, że ich celem jest wykorzystanie algorytmu HPL do przypisania każdemu pacjentowi wyniku od 0 do 1, który odzwierciedla jego statystyczną szansę na przeżycie i nawrót nowotworu przez okres do pięciu lat. Ponieważ oprogramowanie uczy się samoczynnie, twierdzą, że HPL będzie coraz dokładniejszy w miarę dodawania większej ilości danych. Aby zbudować zaufanie społeczne, badacze opublikowali swój kod programowania Połączony Planują udostępnić nowe narzędzie HPL bezpłatnie po zakończeniu dalszych testów.

Charakterystyka nowotworów nawracających obejmowała wysoki odsetek martwych komórek nowotworowych, zwalczające nowotwór komórki odpornościowe zwane limfocytami oraz gęste skupiska komórek nowotworowych w zewnętrznej wyściółce płuc. Cechami związanymi ze zwiększonym przeżyciem był duży odsetek niezmienionej lub zachowanej tkanki torbieli płuc oraz brak lub umiarkowana obecność komórek zapalnych.

Tsirigos twierdzi, że zespół planuje w następnej kolejności opracować programy podobne do HPL dla innych nowotworów, takich jak piersi, jajnika i jelita grubego, które w podobny sposób opierają się na odrębnych, kluczowych cechach morfologicznych i dodatkowych danych molekularnych. Zespół planuje także rozbudowę i poprawę dokładności obecnego oprogramowania HPL dotyczącego gruczolakoraka poprzez uwzględnienie innych danych ze szpitalnej elektronicznej dokumentacji zdrowotnej, dotyczących innych chorób i schorzeń, a nawet dochodów i domowego kodu pocztowego.

Oprócz Tsirigosa i Coudraya w tym badaniu wzięli udział inni badacze z NYU Langone, którzy wzięli udział w tym badaniu: Anna Yeaton, Bujing Liu, Hortense Lu, Luis Chiriboga, Avrin Karimkhan, Navneet Natula, Christopher Park, Harvey Bass i Andre Moreira. Współkierownicy badania Adalberto Claudio Quiros, współautorzy Xinyu Yang i John Le Quesin oraz współkierownik badania Qi Yuan pracują na Uniwersytecie w Glasgow w Wielkiej Brytanii. Współautor badania David Moore pracuje w University College London w Wielkiej Brytanii.

więcej informacji:
Mapowanie fenotypów nowotworu histologicznego przy użyciu samonadzorowanego uczenia się na nieoznakowanych i nieopisanych slajdach patologicznych, Komunikacja przyrodnicza (2024). doi: 10.1038/s41467-024-48666-7

Dostarczone przez NYU Langone Health

cytat: „Samoogólne” narzędzie AI pomaga diagnozować powszechny rak płuc i przewidywać jego ciężkość (2024, 11 czerwca) Pobrano 11 czerwca 2024 z https://medicalxpress.com/news/2024-06-taught-ai-tool-severity – wspólny.html

Niniejszy dokument podlega prawu autorskiemu. Niezależnie od uczciwego obrotu w celach prywatnych studiów lub badań, żadna część nie może być powielana bez pisemnej zgody. Treść jest udostępniana wyłącznie w celach informacyjnych.

READ  Dlaczego budzenie się w środku nocy jest właściwie normalne