Gli scienziati di Stanford sviluppano un modello di intelligenza artificiale per prevedere gli esiti del glioblastoma

I ricercatori della Stanford Medicine hanno sviluppato un modello di intelligenza artificiale per migliorare la diagnosi e il trattamento del glioblastoma, una forma particolarmente aggressiva di cancro al cervello. 

Il glioblastoma presenta sfide uniche per i professionisti del settore medico a causa della sua composizione cellulare estremamente variabile da paziente a paziente.

Olivier Gevaert, professore associato di informatica biomedica e scienza dei dati, ha sottolineato la complessità del trattamento del glioblastoma, affermando: "A causa dell'eterogeneità di questa malattia, gli scienziati non hanno trovato modi validi per affrontarla".

Il Modello AI mira a mitigare questo problema analizzando le immagini colorate del tessuto del glioblastoma per valutarne le caratteristiche, tra cui l'aggressività e la composizione genetica del tumore.

Yuanning Zheng, del laboratorio di Gevaert, descritto il sistema di intelligenza artificiale come "una sorta di sistema di supporto decisionale per i medici". 

Il modello potrebbe aiutare i medici a identificare i pazienti con caratteristiche cellulari indicative di tumori più aggressivi, segnalandoli per un rapido follow-up. Il modelloIl sistema consente di ottenere una mappa più dettagliata del tumore, rivelando le interazioni cellula-cellula e la loro correlazione con gli esiti del paziente.

Gevaert ha aggiunto: "Il modello ha mostrato quali cellule amano stare insieme, quali non vogliono comunicare e come questo si correli con i risultati dei pazienti". 

Ad esempio, il modello ha rilevato che il raggruppamento di cellule specifiche, note come astrociti, indica una forma più aggressiva del tumore. Queste conoscenze potrebbero aiutare a progettare trattamenti più efficaci per il glioblastoma.

Zheng spera che il modello possa servire anche come strumento di valutazione post-operatoria. Il modello ha dimostrato che le cellule tumorali che mostrano segni di privazione di ossigeno sono spesso correlate a esiti peggiori del cancro. 

"Illuminando le cellule prive di ossigeno nei campioni chirurgici colorati con l'istologia, il modello può aiutare i chirurghi a capire quante cellule cancerose possono essere rimaste nel cervello e quando riprendere il trattamento dopo l'intervento", ha dichiarato Zheng.

Pur essendo ancora in fase di ricerca, il modello ha il potenziale per essere applicato ad altri tipi di cancro, come quello al seno o ai polmoni.

Zheng ha concluso: "Penso che queste integrazioni di dati multimodali possano dare forma al miglioramento della medicina personalizzata in futuro".

Attualmente, una versione proof-of-concept del loro modello, denominata GBM360, è a disposizione dei ricercatori per testare e caricare immagini diagnostiche per prevedere gli esiti dei pazienti affetti da glioblastoma.

Tuttavia, Zheng si è affrettato ad aggiungere che il modello è ancora in fase di ricerca e non viene utilizzato in contesti clinici reali. 

Per saperne di più sullo studio

Lo studio utilizza l'intelligenza artificiale per interpretare i sottotipi di glioblastoma a partire dai dati dei pazienti esistenti, aiutando i medici a determinare la prognosi e lo sviluppo della malattia per i diversi pazienti. 

Ecco come funziona:

1. Integrazione dei dati: I ricercatori hanno iniziato integrando diverse forme di dati, tra cui il sequenziamento dell'RNA di una singola cellula e la trascrittomica spaziale, insieme agli esiti clinici dei pazienti affetti da glioblastoma. Questo ha fornito un robusto set di dati per lo sviluppo di modelli di apprendimento automatico (ML).
2. Sviluppo del modello: Il team ha sviluppato GBM-CNN, un modello specializzato di apprendimento profondo progettato per interpretare le immagini istologiche. Questo modello è stato addestrato per prevedere i diversi sottotipi trascrizionali delle cellule di glioblastoma, utilizzando i dati integrati per la convalida.
3. Analisi su larga scala: Dopo l'addestramento, la GBM-CNN è stata impiegata per analizzare oltre 40 milioni di spot tissutali di 410 pazienti, creando mappe cellulari ad alta risoluzione. L'analisi ha rivelato la presenza di tre-cinque sottotipi maligni in ciascun tumore.
4. Correlazione con i dati clinici: Le mappe cellulari sono state poi integrate con i dati clinici dei pazienti. È emerso che alcune composizioni cellulari sono collegate a esiti peggiori per i pazienti.
5. Convalida e test: Per corroborare questi risultati, è stato sviluppato un modello secondario per prevedere la prognosi dei pazienti sulla base di altre immagini diagnostiche. Questo modello ha confermato i risultati iniziali, mostrando associazioni tra architettura cellulare e tassi di sopravvivenza dei pazienti.

L'IA sta accelerando enormemente gli approcci all'assistenza sanitaria basati sui dati, sostenendo Risonanza magnetica, diagnostica delle malattie dell'occhioe sofisticato interfacce cervello-computerper citare solo alcune delle sue miriadi di applicazioni.