Forskere fra Stanford Medicine har udviklet en AI-model, der er designet til at forbedre diagnosticeringen og behandlingen af glioblastom, en særlig aggressiv form for hjernekræft.
Glioblastom giver unikke udfordringer for lægerne på grund af den meget varierende cellulære sammensætning fra patient til patient.
Olivier Gevaert, lektor i biomedicinsk informatik og datavidenskab, fremhævede kompleksiteten i behandlingen af glioblastom og sagde: "På grund af denne sygdoms heterogenitet har forskerne ikke fundet gode måder at tackle den på."
Den AI-model sigter mod at afhjælpe dette problem ved at analysere farvede billeder af glioblastomvæv for at vurdere dets egenskaber, herunder tumorens aggressivitet og genetiske sammensætning.
Yuanning Zheng, fra Gevaerts laboratorium, beskrevet AI-systemet som "en slags beslutningsstøttesystem for lægerne".
Modellen kan hjælpe klinikere med at identificere patienter med cellulære karakteristika, der tyder på mere aggressive tumorer, og markere dem til hurtig opfølgning. Det kreates et mere detaljeret kort over tumoren, der afslører celle-til-celle-interaktioner, og hvordan disse korrelerer med patientresultater.
Gevaert uddyber: "Modellen viste, hvilke celler der kan lide at være sammen, hvilke celler der ikke ønsker at kommunikere, og hvordan det hænger sammen med patientresultaterne."
For eksempel fandt modellen, at klyngen af specifikke celler, kendt som astrocytter, indikerede en mere aggressiv form for kræft. Denne indsigt kan potentielt hjælpe med at designe mere effektive behandlinger af glioblastom.
Zheng håber, at modellen også kan tjene som et postoperativt vurderingsværktøj. Modellen viste, at tumorceller, der viste tegn på iltmangel, ofte korrelerede med dårligere kræftresultater.
"Ved at belyse de iltfattige celler i histologisk farvede operationsprøver kan modellen hjælpe kirurgerne med at forstå, hvor mange kræftceller der kan være tilbage i hjernen, og hvor hurtigt de skal genoptage behandlingen efter operationen," siger Zheng.
Modellen er stadig i forskningsfasen, men den har potentiale til at blive anvendt på andre kræftformer, f.eks. bryst- eller lungekræft.
Zheng konkluderede: "Jeg tror, at disse multimodale dataintegrationer kan forme forbedringen af personlig medicin i fremtiden."
I øjeblikket er en proof-of-concept-version af deres model, kaldet GBM360, tilgængelig for forskere, der kan teste og uploade diagnostiske billeder for at forudsige glioblastompatienters resultater.
Zheng skyndte sig dog at tilføje, at modellen stadig er i forskningsfasen og ikke bruges i virkelige kliniske omgivelser.
Mere om undersøgelsen
Undersøgelsen bruger AI til at fortolke glioblastom-undertyper ud fra eksisterende patientdata, hvilket hjælper klinikere med at bestemme sygdomsprognose og -udvikling for forskellige patienter.
Sådan her fungerer det:
- Integration af data: Forskerne begyndte med at integrere flere former for data, herunder enkeltcelle-RNA-sekventering og rumlig transkriptomik, sammen med kliniske resultater fra glioblastompatienter. Dette gav et robust datasæt til udvikling af maskinlæringsmodeller (ML).
- Udvikling af modeller: Teamet udviklede GBM-CNN, en specialiseret deep-learning-model, der er designet til at fortolke histologibilleder. Denne model blev trænet til at forudsige de forskellige transkriptionelle undertyper af glioblastomceller ved hjælp af de integrerede data til validering.
- Analyse i stor skala: Efter træning blev GBM-CNN brugt til at analysere over 40 millioner vævspletter fra 410 patienter, hvilket skabte cellulære kort i høj opløsning. Analysen afslørede tilstedeværelsen af tre til fem ondartede undertyper i hver tumor.
- Sammenhæng med kliniske data: De cellulære kort blev derefter integreret med patienternes kliniske data. Man fandt ud af, at visse cellulære sammensætninger er forbundet med dårligere patientresultater.
- Validering og afprøvning: For at underbygge disse resultater blev der udviklet en sekundær model til at forudsige patienternes prognose baseret på andre diagnostiske billeder. Denne model bekræftede de første resultater og viste sammenhænge mellem cellulær arkitektur og patienternes overlevelsesrate.
AI fremskynder i høj grad datadrevne tilgange til sundhedspleje og understøtter MRI-scanning, Diagnostik af øjensygdommeog sofistikeret hjerne-computer-grænsefladerfor blot at nævne nogle få af dens utallige anvendelsesmuligheder.
