Инструмент на основе искусственного интеллекта ускоряет диагностику рака с помощью точной визуализации клеток
Исследовательская группа под руководством профессора Кевина Циа, директора программы биомедицинской инженерии на факультете инженерии Университета Гонконга (HKU), разработала инструмент визуализации на основе искусственного интеллекта, который позволяет быстро и точно диагностировать онкологических больных, значительно повышая эффективность их лечения.
В рамках совместного сотрудничества с медицинским факультетом имени Ли Кашина (HKUMed) Гонконгского университета и больницей королевы Марии группа под руководством профессора Циа успешно продемонстрировала эффективное использование новейшего метода генеративного искусственного интеллекта, цитоморфологической состязательной дистилляции (CytoMAD), на пациентах с раком легких, а также в тестах на наркотики .
В сочетании с фирменной микрофлюидной технологией CytoMAD обеспечивает быструю и экономичную «безметковую» визуализацию человеческих клеток , помогая врачам оценивать опухоль пациента с точностью до отдельных клеток, а также определять, есть ли у пациента риск метастазирования.
CytoMAD использует ИИ для автоматического исправления несоответствий в клеточных изображениях, улучшения клеточных изображений и извлечения ранее необнаруживаемой информации из клеточных изображений. Такие всесторонние возможности CytoMAD обеспечивают точный и надежный последующий анализ данных и диагностику. Возможности CytoMAD имеют потенциал для революционного изменения клеточной визуализации для осмысленного анализа свойств клеток и связанной с ними информации о здоровье и болезнях.
«До сих пор не существовало экономически эффективного метода проведения анализа отдельных клеток с помощью визуализации, в основном из-за ограничений масштаба. При использовании традиционных методов скорость обработки изображений недостаточно высока, а изображения клеток недостаточно четкие и информативные», — сказал профессор Циа.
Команда сотрудничала с профессором Джеймсом Хо из медицинского факультета Школы клинической медицины и профессором Майклом Хсином из хирургического факультета Школы клинической медицины в HKUMed. Исследование было недавно опубликовано в статье под названием «Информационно-дистиллированное генеративное морфологическое профилирование без меток кодирует клеточную гетерогенность» в журнале Advanced Science .
Раскрытие информации о клетках
Столкнувшись с проблемой плохой видимости образцов клеток, помещенных под микроскоп, врачи часто прибегают к обычному методу нанесения красителей и этикеток на образцы. Но такой подход отнимает много времени и далеко не экономически эффективен в громоздком процессе. Это также означает, что пациентам приходится ждать некоторое время, прежде чем станут известны результаты их анализа клеток, например, по образцам крови.
Ключевым преимуществом технологии ИИ профессора Циа является то, что она «без меток», поэтому требует меньше шагов для подготовки образцов пациентов или клеток. Это экономит много времени и рабочей силы, увеличивая скорость и эффективность процесса диагностики и открытия лекарств. «Мы используем технологию генеративного ИИ для создания гораздо более четких изображений без меток с полезной информацией, например, о том, оказало ли лечение положительный эффект», — сказал он.
CytoMAD позволяет одновременно осуществлять безмаркерный контрастный перевод изображений для выявления дополнительной клеточной информации. «Наша работа в первую очередь сосредоточена на безмаркерных модальностях визуализации (т. е. переводе светлопольного (BF) в количественное фазовое изображение (QPI)) из-за их растущей значимости в биомедицине в последние годы.
«Классическое светлопольное изображение клетки обычно выглядит как нечеткая фотография, полная разбросанных размытых пятен — и это совсем не информативно для осмысленного анализа свойств клетки и, следовательно, связанной с ней информации о здоровье и болезнях. Тем не менее, CytoMAD, как генеративная модель ИИ, можно обучить извлекать информацию, связанную с механическими свойствами и молекулярной информацией клеток, которая не была обнаружена человеческим глазом на светлопольном изображении.
«Другими словами, мы смогли раскрыть важные свойства клеток, лежащие в основе клеточных функций, обойдя использование стандартных флуоресцентных маркеров и их ограничения по стоимости и времени», — пояснила доктор Мишель Ло, научный сотрудник кафедры электротехники и электроники инженерного факультета, которая является основным разработчиком CytoMAD в этом проекте.
Беспристрастный диагноз
Новый подход также решает проблему «эффекта партии» — распространенных невысказанных технических вариаций, возникающих из-за разных экспериментальных партий и условий, таких как различия в конфигурациях приборов или протоколах получения изображений, что затрудняет подлинную биологическую интерпретацию морфологии клеток.
Текущие решения, в том числе основанные на методах машинного обучения, часто требуют различных типов априорных знаний или предположений о данных, что делает их недостаточно обобщаемыми для легкого внедрения в различные приложения. «Наша модель ИИ не требует необходимости каких-либо предположений. Следовательно, она позволяет проводить беспристрастный анализ и диагностику изображений клеток».
Эта мощная модель глубокого обучения использует сверхбыструю технологию оптической визуализации, которая также была разработана командой профессора Циа. «Эта технология позволяет нам захватывать изображения клеток на большой скорости. Каждый день можно создавать десятки миллионов изображений. Таким образом, используя эту единую систему, мы находимся в уникальном положении среди многих инноваций в области ИИ, чтобы ускорить передовые НИОКР в области ИИ — от обучения, оптимизации до развертывания», — отметил профессор Циа.
Использование CytoMAD не ограничивается только пациентами с раком легких, хотя рак легких остается основной причиной смерти среди всех онкологических заболеваний во всем мире и занимает первое место по риску рака. Это может сократить часто длительный процесс скрининга лекарств за счет принятия экономящего время «метода без меток», а также его преимуществ высокоскоростной визуализации и диагностической функции на основе генеративного ИИ.
Заглядывая вперед, главная цель — обучить модель, чтобы врачи могли прогнозировать рак или другие заболевания у потенциальных пациентов. «Создание прогнозов на основе огромного количества данных — это самый мощный аспект применения ИИ в биомедицине», — сказал профессор Циа.
Команда профессора Циа подала заявку на финансирование исследований для проведения клинических испытаний среди пациентов с раком легких в течение трех лет. «Мы планируем накопить достаточные данные и отслеживать прогресс пациентов с помощью нашей визуализации и технологий искусственного интеллекта».