Forscher von Stanford Medicine haben ein KI-Modell entwickelt, das die Diagnose und Behandlung von Glioblastomen, einer besonders aggressiven Form von Hirnkrebs, verbessern soll.
Das Glioblastom stellt die Mediziner vor einzigartige Herausforderungen, da die Zellstruktur von Patient zu Patient sehr unterschiedlich ist.
Olivier Gevaert, außerordentlicher Professor für biomedizinische Informatik und Datenwissenschaft, wies auf die Komplexität der Behandlung des Glioblastoms hin: "Aufgrund der Heterogenität dieser Krankheit haben die Wissenschaftler noch keine guten Wege gefunden, sie zu bekämpfen."
Die AI-Modell zielt darauf ab, dieses Problem zu entschärfen, indem gefärbte Bilder von Glioblastom-Gewebe analysiert werden, um die Merkmale des Tumors, einschließlich seiner Aggressivität und genetischen Zusammensetzung, zu bewerten.
Yuanning Zheng, aus Gevaerts Labor, beschrieben das KI-System als "eine Art Entscheidungshilfesystem für die Ärzte".
Das Modell könnte Klinikern dabei helfen, Patienten mit zellulären Merkmalen zu identifizieren, die auf aggressivere Tumore hindeuten, und sie für eine schnelle Nachsorge zu kennzeichnen. Es keine detailliertere Karte des Tumors, die Zell-zu-Zell-Interaktionen aufzeigt und verdeutlicht, wie diese mit den Ergebnissen der Patienten korrelieren.
Gevaert weiter: "Das Modell zeigt, welche Zellen gerne zusammen sind, welche Zellen nicht kommunizieren wollen und wie dies mit den Ergebnissen der Patienten korreliert."
Das Modell ergab beispielsweise, dass die Anhäufung bestimmter Zellen, der so genannten Astrozyten, auf eine aggressivere Form des Krebses hinweist. Diese Erkenntnisse könnten möglicherweise dazu beitragen, wirksamere Behandlungen für Glioblastome zu entwickeln.
Zheng hofft, dass das Modell auch als postoperatives Bewertungsinstrument dienen kann. Das Modell zeigte, dass Tumorzellen, die Anzeichen von Sauerstoffmangel aufweisen, häufig mit schlechteren Krebsergebnissen korrelieren.
"Indem es die sauerstoffarmen Zellen in histologisch gefärbten Operationsproben beleuchtet, kann das Modell Chirurgen dabei helfen, zu verstehen, wie viele Krebszellen im Gehirn verbleiben und wie schnell die Behandlung nach der Operation wieder aufgenommen werden kann", so Zheng.
Das Modell befindet sich zwar noch in der Forschungsphase, könnte aber auch auf andere Krebsarten wie Brust- oder Lungenkrebs angewendet werden.
Zheng schloss: "Ich glaube, dass diese multimodale Datenintegration die Verbesserung der personalisierten Medizin in der Zukunft prägen kann."
Derzeit ist eine Proof-of-Concept-Version ihres Modells mit dem Namen GBM360 verfügbar, mit der Forscher diagnostische Bilder testen und hochladen können, um die Ergebnisse für Glioblastom-Patienten vorherzusagen.
Zheng beeilte sich jedoch hinzuzufügen, dass sich das Modell noch in der Forschungsphase befindet und nicht in realen klinischen Umgebungen eingesetzt wird.
Mehr über die Studie
Die Studie nutzt KI, um Glioblastom-Subtypen aus vorhandenen Patientendaten zu interpretieren, und hilft Klinikern, die Krankheitsprognose und -entwicklung für verschiedene Patienten zu bestimmen.
Und so funktioniert es:
- Integration von Daten: Die Forscher begannen mit der Integration verschiedener Arten von Daten, einschließlich Einzelzell-RNA-Sequenzierung und räumlicher Transkriptomik, zusammen mit klinischen Ergebnissen von Glioblastom-Patienten. Dies lieferte einen robusten Datensatz für die Entwicklung von Modellen des maschinellen Lernens (ML).
- Entwicklung von Modellen: Das Team entwickelte GBM-CNN, ein spezialisiertes Deep-Learning-Modell zur Interpretation von Histologiebildern. Dieses Modell wurde trainiert, um die verschiedenen Transkriptionssubtypen von Glioblastomzellen vorherzusagen, wobei die integrierten Daten zur Validierung verwendet wurden.
- Groß angelegte Analyse: Nach dem Training wurde GBM-CNN eingesetzt, um über 40 Millionen Gewebespots von 410 Patienten zu analysieren und hochauflösende zelluläre Karten zu erstellen. Die Analyse ergab das Vorhandensein von drei bis fünf bösartigen Subtypen in jedem Tumor.
- Korrelation mit klinischen Daten: Die zellulären Karten wurden dann mit den klinischen Daten der Patienten verknüpft. Es stellte sich heraus, dass bestimmte Zellzusammensetzungen mit schlechteren Patientenergebnissen verbunden sind.
- Validierung und Prüfung: Um diese Ergebnisse zu untermauern, wurde ein zweites Modell entwickelt, um die Prognose der Patienten auf der Grundlage anderer diagnostischer Bilder vorherzusagen. Dieses Modell bestätigte die ersten Ergebnisse und zeigte Zusammenhänge zwischen der Zellarchitektur und den Überlebensraten der Patienten.
KI beschleunigt die datengesteuerten Ansätze im Gesundheitswesen enorm und unterstützt MRT-Scan, Diagnostik von Augenkrankheitenund anspruchsvoll Gehirn-Computer-Schnittstellen, um nur einige der unzähligen Anwendungen zu nennen.
