Tyrimas, paskelbtas m Gamtos mašinos intelektas pristato pažangų dirbtinio intelekto (AI) modelį, galintį sukurti virtualias vėžinių audinių spalvas. Tyrimas, kuriam kartu vadovavo Lozanos ir Berno universitetų mokslininkai, yra didelis žingsnis į priekį gerinant patologijos analizę ir vėžio diagnostiką.
Derindama naujoviškus skaičiavimo metodus, kompiuterių mokslininkų, biologų ir gydytojų komanda, vadovaujama Marianna Rapsomaniki iš Lozanos universiteto ir Marianna Kruithof-de Julio iš Berno universiteto, sukūrė naują vėžio audinio analizės metodą.
Skatinami motyvacijos įveikti trūkstamus eksperimentinius duomenis – iššūkis, su kuriuo mokslininkai dažnai susiduria dirbdami su ribotais pacientų audiniais, mokslininkai sukūrė „VirtualMultiplexer“: dirbtinio intelekto (AI) modelį, kuris generuoja virtualias diagnostinių audinių spalvų nuotraukas.
Virtualus dažymas: nauja vėžio tyrimų riba
Naudodamas generatyvųjį AI, įrankis sukuria tikslius ir išsamius vėžinio audinio vaizdus, atsižvelgiančius į tai, kaip atrodytų jo dažymas tam tikrame ląstelių žymeklyje. Tokie specifiniai dažai gali suteikti svarbios informacijos apie paciento būklę’s vėžį ir vaidina svarbų vaidmenį diagnozuojant.
„Idėja yra ta, kad jums reikia tik vienos tikrosios audinių spalvos, kuri atliekama laboratorijoje kaip įprastinės patologijos dalis, kad būtų galima imituoti, kurios tame audinyje esančios ląstelės nusidažytų teigiamai dėl kelių kitų specifinių žymenų“, – aiškina kompiuterių mokslininkas Rapsomaniki. ir AI ekspertas Lozanos universiteto Biomedicininių duomenų mokslo centre ir Lozanos universitetinėje ligoninėje bei vienas iš tyrimo autorių.
Ši technologija sumažina poreikį atlikti daug išteklių reikalaujančias laboratorines analizes ir yra skirta papildyti informaciją, gautą iš eksperimentų. „Mūsų modelis gali būti labai naudingas, kai turima audinių medžiaga yra ribota arba kai eksperimentinis dažymas negali būti atliktas dėl kitų priežasčių“, – priduria Pushpak Pati.’pirmasis autorius.
Metodo supratimas: kontrastinis nesuporuotas vertimas
Norint suprasti pagrindinę metodiką, vadinamą „kontrastiniu nesuporuotu vertimu“, galima įsivaizduoti mobiliojo telefono programėlę, kuri nuspėja, kaip jaunas žmogus atrodys vyresniame amžiuje.
Remdamasi dabartine nuotrauka, programa sukuria virtualų vaizdą, imituojantį asmenį’s ateities išvaizda. Tai pasiekiama apdorojant informaciją iš tūkstančių kitų, nesusijusių, pagyvenusių asmenų nuotraukų. Kai algoritmas sužino, „kaip atrodo senas žmogus“, jis gali pritaikyti šią transformaciją bet kuriai konkrečiai nuotraukai.
Panašiai „VirtualMultiplexer“ paverčia vienos spalvos nuotrauką, kuri iš esmės išskiria skirtingus vėžio audinio regionus, į vaizdus, vaizduojančius, kurios to audinio ląstelės nusidažo teigiamai tam tikrai žymeklio molekulei. Tai tampa įmanoma mokant dirbtinio intelekto modelį su daugybe kitų audinių nuotraukų, ant kurių buvo eksperimentiškai atlikti šie dažai.
Išmokęs logiką, apibrėžiančią realiai dažytą paveikslėlį, VirtualMultiplexer gali pritaikyti tą patį stilių tam tikram audinio vaizdui ir generuoti virtualią norimų dažų versiją.
Haliucinacijų prevencija: efektyvumo ir klinikinės svarbos užtikrinimas
Mokslininkai taikė griežtą patvirtinimo procesą, siekdami užtikrinti, kad virtualios nuotraukos būtų kliniškai reikšmingos, o ne tik dirbtinio intelekto generuojami rezultatai, kurie atrodo tikėtini, bet iš tikrųjų yra klaidingi išradimai, vadinami „haliucinacijomis“. Jie išbandė, kaip gerai dirbtiniai vaizdai numato klinikinius rezultatus, pvz., Pacientus’ išgyvenamumą ar ligos progresavimą, palyginti su turimais duomenimis iš realiai dažytų audinių.
Palyginimas patvirtino, kad virtualūs dažai yra ne tik tikslūs, bet ir kliniškai naudingi, o tai rodo, kad modelis yra patikimas ir patikimas.
Gilindamiesi į „VirtualMultiplexer“ tyrėjai atliko vadinamąjį Turingo testą. Šis testas, pavadintas šiuolaikinio dirbtinio intelekto įkūrėjo Alano Turingo vardu, nustato, ar AI gali sukurti rezultatus, kurių negalima atskirti nuo žmonių sukurtų.
Prašydami ekspertų patologų atskirti tradicinius beicuotus vaizdus nuo dirbtinio intelekto sukurtų spalvų, autoriai išsiaiškino, kad dirbtiniai kūriniai suvokiami kaip artimi tikrosioms nuotraukoms, rodant jų modelį.’s efektyvumą.
Daugialypis metodas: didelė pažanga
Vienas iš pagrindinių laimėjimų, išskiriančių „VirtualMultiplexer“, yra daugialypis požiūris. Tradiciniai modeliai dažnai sutelkia dėmesį į audinių tyrimą mikroskopiniu (ląstelių lygiu) arba makroskopiniu (bendro audinio) mastu.
Lozanos ir Berno komandos pasiūlytame modelyje atsižvelgiama į tris skirtingas vėžinio audinio struktūros skales: jo pasaulinė išvaizda ir architektūra, santykiai tarp kaimyninių ląstelių ir išsamios atskirų ląstelių charakteristikos. Šis holistinis požiūris leidžia tiksliau pavaizduoti audinio vaizdą.
Poveikis vėžio tyrimams ir ne tik
Tyrimas žymi reikšmingą pažangą onkologinių tyrimų srityje, papildydamas esamus eksperimentinius duomenis. Sukurdamas aukštos kokybės imituojamus dažus, „VirtualMultiplexer“ gali padėti ekspertams suformuluoti hipotezes, nustatyti eksperimentų prioritetus ir geriau suprasti vėžio biologiją.
Marianna Kruithof-de Julio, Berno universiteto Urologijos tyrimų laboratorijos vadovė ir tyrimo bendraautorė, įžvelgia svarbių būsimų pritaikymų galimybių. „Mes sukūrėme savo įrankį naudodami prostatos vėžiu sergančių žmonių audinius. Straipsnyje taip pat parodėme, kad jis taip pat gerai veikia ir kasos navikus, todėl esame įsitikinę, kad jis gali būti naudingas daugeliui kitų ligų tipų.”
Naujoviškas požiūris taip pat gali palaikyti vadinamuosius pagrindinius AI modelius biologiniuose tyrimuose. Tokių modelių galia yra jų gebėjimas mokytis apdorojant didžiulius duomenų kiekius savarankiškai prižiūrint, todėl jie gali suprasti sudėtingų struktūrų logiką ir įgyti gebėjimą atlikti įvairių tipų užduotis.
„Turimų duomenų apie retus audinius yra nedaug. „VirtualMultiplexer” gali užpildyti šias spragas greitai ir nemokamai generuodamas tikroviškus vaizdus ir taip padėti būsimiems pamatų modeliams įvairiais būdais analizuoti ir apibūdinti audinių charakteristikas. Tai atvers kelią naujiems atradimai tyrimų ir diagnostikos srityje“, – daro išvadą Rapsomaniki.