Forskare från Stanford Medicine har utvecklat en AI-modell som ska förbättra diagnos och behandling av glioblastom, en särskilt aggressiv form av hjärncancer.
Glioblastom innebär unika utmaningar för sjukvårdspersonalen på grund av dess mycket varierande celluppsättning från patient till patient.
Olivier Gevaert, docent i biomedicinsk informatik och datavetenskap, belyste komplexiteten i behandlingen av glioblastom och sa: "På grund av sjukdomens heterogenitet har forskarna inte hittat några bra sätt att hantera den."
Den AI-modell syftar till att mildra detta problem genom att analysera färgade bilder av glioblastomvävnad för att bedöma dess egenskaper, inklusive tumörens aggressivitet och genetiska sammansättning.
Yuanning Zheng, från Gevaerts labb, beskrivs AI-systemet som "ett slags beslutsstödsystem för läkarna".
Modellen skulle kunna hjälpa läkare att identifiera patienter med cellulära egenskaper som tyder på mer aggressiva tumörer, och på så sätt uppmärksamma dem för snabb uppföljning. Denger en mer detaljerad karta över tumören, vilket avslöjar cell-till-cell-interaktioner och hur dessa korrelerar med patientutfall.
"Modellen visade vilka celler som gillar att vara tillsammans, vilka celler som inte vill kommunicera och hur detta korrelerar med patientresultaten", säger Gevaert.
Modellen visade till exempel att kluster av specifika celler, så kallade astrocyter, indikerade en mer aggressiv form av cancer. Dessa insikter kan potentiellt bidra till att utforma mer effektiva behandlingar för glioblastom.
Zheng hoppas att modellen även ska kunna användas som ett verktyg för postoperativ bedömning. Modellen visade att tumörceller som uppvisade tecken på syrebrist ofta korrelerade med sämre cancerresultat.
"Genom att belysa de syrefattiga cellerna i histologiskt färgade operationsprover kan modellen hjälpa kirurgerna att förstå hur många cancerceller som kan finnas kvar i hjärnan och hur snart de ska återuppta behandlingen efter operationen", säger Zheng.
Modellen befinner sig fortfarande i forskningsfasen, men har potential att tillämpas på andra cancerformer, t.ex. bröst- eller lungcancer.
Zheng avslutade: "Jag tror att dessa multimodala dataintegrationer kan forma förbättringen av individanpassad medicin i framtiden."
För närvarande finns en proof-of-concept-version av deras modell, kallad GBM360, tillgänglig för forskare som kan testa och ladda upp diagnostiska bilder för att förutsäga glioblastompatienters utfall.
Zheng skyndade sig dock att tillägga att modellen fortfarande befinner sig i forskningsfasen och inte används i verkliga kliniska miljöer.
Mer om studien
I studien används AI för att tolka glioblastomsubtyper från befintliga patientdata, vilket hjälper läkare att fastställa sjukdomsprognos och utveckling för olika patienter.
Så här fungerar det:
- Integration av data: Forskarna började med att integrera flera olika former av data, inklusive encells-RNA-sekvensering och spatial transkriptomik, tillsammans med kliniska resultat från glioblastompatienter. Detta gav ett robust dataset för utveckling av modeller för maskininlärning (ML).
- Utveckling av modeller: Teamet utvecklade GBM-CNN, en specialiserad djupinlärningsmodell som är utformad för att tolka histologibilder. Denna modell tränades för att förutsäga de olika transkriptionella subtyperna av glioblastomceller, med hjälp av de integrerade data för validering.
- Storskalig analys: Efter träning användes GBM-CNN för att analysera över 40 miljoner vävnadspunkter från 410 patienter och skapa högupplösta cellulära kartor. Analysen visade att det fanns tre till fem maligna subtyper i varje tumör.
- Korrelation med kliniska data: Cellkartorna integrerades sedan med patienternas kliniska data. Det visade sig att vissa cellkompositioner är kopplade till sämre patientresultat.
- Validering och testning: För att bekräfta dessa resultat utvecklades en sekundär modell för att förutsäga patienternas prognos baserat på andra diagnostiska bilder. Denna modell bekräftade de första resultaten och visade samband mellan cellulär arkitektur och patienternas överlevnad.
AI påskyndar i hög grad datadrivna metoder inom hälso- och sjukvården och stöder Magnetkameraundersökning, diagnostik av ögonsjukdomar, och sofistikerade gränssnitt mellan hjärna och datorför att bara nämna några av dess otaliga användningsområden.
