Forskere fra Stanford Medicine har utviklet en AI-modell som skal forbedre diagnostisering og behandling av glioblastom, en spesielt aggressiv form for hjernekreft.
Glioblastom byr på unike utfordringer for helsepersonell på grunn av den svært varierende cellesammensetningen fra pasient til pasient.
Olivier Gevaert, førsteamanuensis i biomedisinsk informatikk og datavitenskap, fremhevet kompleksiteten i behandlingen av glioblastom, og sa: "På grunn av denne sykdommens heterogenitet har ikke forskerne funnet gode måter å takle den på."
Den AI-modell Målet er å redusere dette problemet ved å analysere fargede bilder av glioblastomvev for å vurdere dens egenskaper, inkludert svulstens aggressivitet og genetiske sammensetning.
Yuanning Zheng, fra Gevaerts laboratorium, beskrevet AI-systemet som "et slags beslutningsstøttesystem for legene".
Modellen kan hjelpe klinikere med å identifisere pasienter med cellulære egenskaper som tyder på mer aggressive svulster, slik at de raskt kan følges opp. Den kgir et mer detaljert kart over svulsten, avslører celle-til-celle-interaksjoner og hvordan disse korrelerer med pasientutfall.
Gevaert utdyper: "Modellen viste hvilke celler som liker å være sammen, hvilke celler som ikke ønsker å kommunisere, og hvordan dette korrelerer med pasientutfallene."
Modellen viste for eksempel at opphopningen av bestemte celler, såkalte astrocytter, tydet på en mer aggressiv form for kreft. Denne innsikten kan potensielt bidra til å utforme mer effektive behandlinger for glioblastom.
Zheng håper at modellen også kan fungere som et verktøy for postoperativ vurdering. Modellen viste at tumorceller som viste tegn på oksygenmangel, ofte korrelerte med dårligere kreftutfall.
"Ved å belyse de oksygenfattige cellene i histologisk fargede operasjonsprøver kan modellen hjelpe kirurgene med å forstå hvor mange kreftceller som kan være igjen i hjernen, og hvor raskt de bør gjenoppta behandlingen etter operasjonen", sier Zheng.
Modellen er fortsatt i forskningsfasen, men den har potensial til å kunne brukes på andre kreftformer, for eksempel bryst- eller lungekreft.
"Jeg tror at disse multimodale dataintegrasjonene kan bidra til å forbedre persontilpasset medisin i fremtiden", konkluderer Zheng.
For øyeblikket er en proof-of-concept-versjon av modellen deres, kalt GBM360, tilgjengelig for forskere som ønsker å teste og laste opp diagnostiske bilder for å forutsi utfallet for glioblastompasienter.
Zheng skynder seg imidlertid å legge til at modellen fortsatt er i forskningsfasen og ikke brukes i reelle kliniske settinger.
Mer om studien
Studien bruker kunstig intelligens til å tolke glioblastomsubtyper fra eksisterende pasientdata, noe som hjelper klinikere med å bestemme sykdomsprognose og -utvikling for ulike pasienter.
Slik fungerer det:
- Dataintegrasjon: Forskerne begynte med å integrere flere former for data, inkludert encellet RNA-sekvensering og romlig transkriptomikk, sammen med kliniske resultater fra glioblastompasienter. Dette ga et robust datasett for utvikling av maskinlæringsmodeller (ML).
- Utvikling av modeller: Teamet utviklet GBM-CNN, en spesialisert dyplæringsmodell som er utviklet for å tolke histologibilder. Denne modellen ble trent opp til å forutsi de ulike transkripsjonelle subtypene av glioblastomceller, ved hjelp av de integrerte dataene for validering.
- Analyse i stor skala: Etter opplæring ble GBM-CNN brukt til å analysere over 40 millioner vevspunkter fra 410 pasienter og lage høyoppløselige cellulære kart. Analysen avslørte tilstedeværelsen av tre til fem ondartede subtyper i hver svulst.
- Korrelasjon med kliniske data: Cellekartene ble deretter integrert med kliniske pasientdata. Det viste seg at visse cellesammensetninger er knyttet til dårligere pasientutfall.
- Validering og testing: For å underbygge disse funnene ble det utviklet en sekundær modell for å forutsi pasientenes prognose basert på andre diagnostiske bilder. Denne modellen bekreftet de første funnene, og viste en sammenheng mellom cellearkitektur og pasientenes overlevelsesrate.
AI akselererer datadrevne tilnærminger til helsetjenester, og støtter MR-skanning, diagnostikk av øyesykdommerog sofistikert grensesnitt mellom hjerne og datamaskinfor bare å nevne noen få av de utallige bruksområdene.
