Narzędzie AI przyspiesza klasyfikację guzów mózgu

autor: Naukowcy opracowali DEPLOY, narzędzie sztucznej inteligencji, które może klasyfikować guzy mózgu na 10 głównych podtypów z dokładnością do 95%. Narzędzie analizuje obrazy mikroskopowe tkanki nowotworowej, zapewniając szybszą i bardziej intuicyjną alternatywę dla profilowania opartego na metylacji DNA. Metodę DEPLOY można wykorzystać także do klasyfikacji innych typów nowotworów.

Kluczowe fakty:

• DEPLOY może klasyfikować guzy mózgu z dokładnością do 95%.
• Narzędzie AI analizuje mikroskopowe obrazy tkanki nowotworowej.
• DEPLOY to szybsza i bardziej dostępna alternatywa dla profilowania opartego na metylacji DNA.

źródło: Australijski Uniwersytet Narodowy

Naukowcy z Australijskiego Uniwersytetu Narodowego (ANU) opracowali nowe narzędzie sztucznej inteligencji umożliwiające szybszą i dokładniejszą klasyfikację guzów mózgu.

Zdaniem dr Danha Thai Hoanga dokładność w diagnozowaniu i klasyfikacji nowotworów ma kluczowe znaczenie dla skutecznego leczenia pacjentów.

„Obecnym złotym standardem w identyfikacji różnych typów guzów mózgu jest profilowanie oparte na metylacji DNA” – powiedział dr Huang.

„Metylacja DNA działa jak przełącznik kontrolujący aktywność genów oraz to, które geny są włączane, a które wyłączane.

„Jednak czas potrzebny na wykonanie tego typu badań może być główną wadą i często wymagać kilku tygodni lub dłużej, gdy pacjenci polegają na szybkich decyzjach dotyczących leczenia.

„Brakuje również dostępności tych testów w prawie wszystkich szpitalach na całym świecie”.

Aby stawić czoła tym wyzwaniom, badacze z Australijskiego Uniwersytetu Narodowego we współpracy z ekspertami z amerykańskiego Narodowego Instytutu Raka opracowali DEPLOY, metodę przewidywania metylacji DNA, a następnie klasyfikacji guzów mózgu na 10 głównych podtypów.

DEPLOY opiera się na obrazach mikroskopowych tkanek pacjenta, zwanych obrazami histopatologicznymi.

Model został przeszkolony i zweryfikowany na dużych zbiorach danych dotyczących około 4000 pacjentów z całych Stanów Zjednoczonych i Europy.

„Co ciekawe, projekt DEPLOY osiągnął bezprecedensową dokładność na poziomie 95 procent” – powiedział dr Huang.

„Co więcej, dzięki podzbiorze 309 próbek, które były szczególnie trudne do sklasyfikowania, w ramach projektu DEPLOY postawiono bardziej istotną klinicznie diagnozę, niż początkowo postawili patolodzy.

„Pokazuje to potencjalną przyszłą rolę DEPLOY jako narzędzia uzupełniającego, uzupełniającego wstępną diagnozę patologa, a nawet zachęcającego do ponownej oceny w przypadku rozbieżności”.

Naukowcy są przekonani, że projekt DEPLOY można ostatecznie wykorzystać do klasyfikacji innych typów nowotworów.

O raku mózgu i nowościach dotyczących badań nad sztuczną inteligencją

autor: Jessica Fagan
źródło: Australijski Uniwersytet Narodowy
Komunikacja: Jessica Fagan – Australijski Uniwersytet Narodowy
zdjęcie: Zdjęcie przypisane Neuroscience News

Oryginalne wyszukiwanie: Zamknięty dostęp.
„Przewidywanie typów nowotworów na podstawie metylacji DNA na podstawie histopatologii w nowotworach ośrodkowego układu nerwowego z wykorzystaniem głębokiego uczenia się„Przez Danh-Thai Hoang i in. Medycyna naturalna

podsumowanie

Przewidywanie typów nowotworów na podstawie metylacji DNA na podstawie histopatologii w nowotworach ośrodkowego układu nerwowego z wykorzystaniem głębokiego uczenia się

Dokładność w diagnozowaniu różnych typów nowotworów OUN ma kluczowe znaczenie dla optymalnego leczenia. Profilowanie metylacji DNA, które rejestruje stan metylacji tysięcy pojedynczych miejsc CpG, jest najnowocześniejszym, opartym na danych sposobem zwiększania dokładności diagnostycznej, ale jest również czasochłonne i nie jest powszechnie dostępne.

Aby stawić czoła tym ograniczeniom, opracowaliśmy głębokie uczenie się na podstawie histopatologii i metylacji (DEPLOY), model głębokiego uczenia się, który klasyfikuje guzy OUN na dziesięć głównych kategorii histopatologicznych.

DEPLOY integruje trzy odrębne komponenty: pierwszy klasyfikuje nowotwory OUN bezpośrednio na podstawie obrazów slajdów („model bezpośredni”), drugi początkowo generuje przewidywania wartości beta metylacji DNA, które są następnie wykorzystywane do klasyfikacji nowotworów („model pośredni”), a trzeci klasyfikuje typy analiz nowotworów bezpośrednio na podstawie rutynowo dostępnych danych demograficznych pacjentów.

Po pierwsze, odkryliśmy, że DEPLOY dokładnie przewiduje wartości beta na podstawie patologicznych obrazów anatomicznych.

Po drugie, korzystając z modelu dziesięcioklasowego wytrenowanego na wewnętrznym zestawie danych dotyczącym 1796 pacjentów, przewidujemy klasy nowotworów na podstawie trzech niezależnych zewnętrznych zestawów danych testowych obejmujących 2156 pacjentów, osiągając ogólną dokładność na poziomie 95% i zrównoważoną dokładność na poziomie 91% w przewidywanych próbkach. Z dużą pewnością siebie.

Wyniki te pokazują potencjalne przyszłe wykorzystanie projektu DEPLOY do wspomagania patologów w diagnozowaniu nowotworów OUN w krótkim, klinicznie istotnym przedziale czasowym.