Yeni AI modeli hayatta kalmayı, kolon kanserinin tedavisini tahmin edebilir, çalışmayı ortaya çıkarır

Yeni bir araştırmaya göre, yeni bir yapay zeka modeli, dünya çapında ikinci en ölümcül kanser olan kolorektal kanserli hastalar için prognoz sağlama ve tedavilere karar verme konusunda doktorlara çok ihtiyaç duyulan netliği sağlayabilir.

Araştırmacılar, aracın insan uzmanlığının yerini almak yerine geliştirmek için tasarlandığını söylüyor.(REUTERS aracılığıyla)
Araştırmacılar, aracın insan uzmanlığının yerini almak yerine geliştirmek için tasarlandığını söylüyor.(REUTERS aracılığıyla)

Çalışma, ‘Nature Communications’ dergisinde yayınlandı.

Yeni araç, bir kolorektal tümörün ne kadar agresif olduğunu, hastanın hastalık nüksü olsun ya da olmasın hayatta kalma olasılığının ne kadar olduğunu ve onlar için en uygun tedavinin ne olabileceğini doğru bir şekilde tahmin ediyor.

Bu tür soruları yanıtlayan bir araca sahip olmak, klinisyenlerin ve hastaların, aynı tedaviyi alan benzer hastalık profillerine sahip insanlar arasında bile genellikle farklı davranan bu kurnaz hastalıkta gezinmesine yardımcı olabilir ve nihayetinde kolorektal kanserin her yıl talep ettiği 1 milyon hayattan bazılarını kurtarabilir. yıl.

Araştırmacılar, aracın insan uzmanlığının yerini almak yerine geliştirmek için tasarlandığını söylüyor.

HMS’deki Blavatnik Enstitüsü’nde biyomedikal bilişim profesörü olan eş-kıdemli yazar Kun-Hsing Yu, “Modelimiz, insan patologlarının tek başına görüntü görüntülemeye dayalı olarak yapamayacağı görevleri yerine getiriyor” dedi. Yu, patologlar, onkologlar, biyomedikal bilişimciler ve bilgisayar bilimcilerinden oluşan uluslararası bir ekibe liderlik etti.

Yu, “Beklediğimiz şey, insan patolojisi uzmanlığının yerini alması değil, insan patologlarının yapabileceklerinin artmasıdır” diye ekledi. “Bu yaklaşımın, kanser yönetiminin mevcut klinik uygulamasını artıracağını umuyoruz.”

Araştırmacılar, herhangi bir hastanın prognozunun birden fazla faktöre bağlı olduğu ve hiçbir modelin herhangi bir hastanın sağkalımını mükemmel bir şekilde tahmin edemeyeceği konusunda uyarıyorlar. Bununla birlikte, yeni modelin klinisyenlere daha yakından takip etmeleri, daha agresif tedavileri düşünmeleri veya hastalarının aracın değerlendirmesine göre tahmin edilen prognozları daha kötü olması durumunda deneysel tedavileri test eden klinik deneyler önermeleri konusunda rehberlik etmede yararlı olabileceğini ekliyorlar.

Araştırmacılar, aracın hem bu ülkede hem de dünya çapında ileri patoloji ve tümör genetik dizilemesinin kolayca bulunamayacağı, kaynakların sınırlı olduğu alanlarda özellikle yararlı olabileceğini belirtti.

Yeni araç, öncelikle insan uzmanlığını kopyalayan veya optimize eden görevleri gerçekleştiren mevcut birçok yapay zeka aracının ötesine geçiyor. Yeni araç, kıyaslama yaparak, insan gözüyle ayırt edilemeyen mikroskopik görüntülerdeki görsel kalıpları algılar ve yorumlar.

MOMA (Multi-omics Multi-cohort Assessment için) adı verilen araç, araştırmacılar ve klinisyenler tarafından ücretsiz olarak kullanılabilir.

Model, birlikte 450.000’den fazla katılımcıyı içeren çeşitli ulusal hasta kohortlarından kolorektal kanserli yaklaşık 2.000 hastadan elde edilen bilgilerle eğitildi – Sağlık Profesyonelleri Takip Çalışması, Hemşirelerin Sağlık Çalışması, Kanser Genomu Atlas Programı ve NIH’nin PLCO’su (Prostat, Akciğer, Kolorektal ve Yumurtalık) Kanser Tarama Denemesi.

Eğitim aşamasında, araştırmacılar modele hastaların yaşı, cinsiyeti, kanser evresi ve sonuçları hakkında bilgi verdiler. Ayrıca tümörlerin genomik, epigenetik, protein ve metabolik profilleri hakkında bilgi verdiler.

Daha sonra araştırmacılar, tümör örneklerinin model patoloji görüntülerini gösterdiler ve tümör tipleri, genetik mutasyonlar, epigenetik değişiklikler, hastalık ilerlemesi ve hasta sağkalımı ile ilgili görsel belirteçler aramasını istediler.

Araştırmacılar daha sonra, farklı hastalardan alınan tümör örneklerinden daha önce görmediği bir dizi görüntüyü besleyerek modelin “gerçek dünyada” nasıl performans gösterebileceğini test ettiler. Performansını gerçek hasta sonuçları ve diğer mevcut klinik bilgilerle karşılaştırdılar.

Model, teşhis konulduktan sonra hastaların genel sağkalımını ve bu yılların kaçının kansersiz olacağını doğru bir şekilde tahmin etti.

Araç ayrıca, hastanın tümörünün, kanseri ilerlemeye veya yayılmaya az ya da çok eğilimli hale getiren spesifik genetik mutasyonları barındırıp barındırmadığına bağlı olarak, bireysel bir hastanın farklı terapilere nasıl yanıt verebileceğini doğru bir şekilde tahmin etti.

Bu alanların her ikisinde de araç, insan patologların yanı sıra mevcut AI modellerinden daha iyi performans gösterdi.

Araştırmacılar, bilim geliştikçe ve yeni veriler ortaya çıktıkça modelin periyodik olarak yükseltileceğini söyledi.

Yu, “Herhangi bir yapay zeka modeliyle, davranışını ve performansını sürekli olarak izlememiz çok önemlidir, çünkü kanser gelişimine katkıda bulunan hastalık yükünün veya yeni çevresel toksinlerin dağılımında değişiklikler görebiliriz.” “Performansının asla geride kalmaması için modeli ortaya çıktıkça yeni ve daha fazla veriyle güçlendirmek önemlidir.”

Ayırt edici anlatım kalıpları

Yeni model, insan değerlendiriciler için yine de ayırt edilemeyen eşi benzeri görülmemiş düzeyde ayrıntı sunan tümör görüntüleme tekniklerindeki son gelişmelerden yararlanıyor. Model, bu ayrıntılara dayanarak, bir tümörün ne kadar agresif olduğuna ve belirli bir tedaviye yanıt olarak davranma olasılığının göstergelerini başarılı bir şekilde tanımladı.

Model, yalnızca bir görüntüye dayanarak, tipik olarak tümörün genomik dizilimini gerektiren belirli genetik mutasyonların varlığı veya yokluğuyla ilişkili özellikleri de saptadı. Sıralama, özellikle bu tür hizmetlerin rutin olarak mevcut olmadığı hastaneler için zaman alıcı ve maliyetli olabilir.

Araştırmacılar, tam da bu tür durumlarda, modelin, kaynakların sınırlı olduğu ortamlarda veya genetik dizileme için uygun tümör dokusunun bulunmadığı durumlarda tedavi seçimi için zamanında karar desteği sağlayabileceğini söyledi.

Araştırmacılar, modeli kliniklerde ve hastanelerde kullanım için dağıtmadan önce, aracın performansını ilk teşhisten sonra gerçek hastalarda zaman içinde değerlendiren prospektif, randomize bir çalışmada test edilmesi gerektiğini söyledi. Yu, böyle bir çalışmanın, yalnızca görüntüleri kullanan aracın gerçek yaşam performansını, modelin erişimi olmayan bilgi ve test sonuçlarını kullanan insan klinisyenlerinkiyle doğrudan karşılaştırarak, modelin yeteneklerinin altın standart gösterimini sağlayacağını söyledi.

Araştırmacılar, modelin bir diğer gücünün şeffaf muhakeme olduğunu söyledi. Modeli kullanan bir klinisyen, belirli bir tahmini neden yaptığını sorarsa, araç, gerekçesini ve kullandığı değişkenleri açıklayabilir.

Yu, bu özelliğin klinisyenlerin kullandıkları AI modellerine olan güvenini artırmak için önemli olduğunu söyledi.

Hastalık ilerlemesinin ölçülmesi, optimal tedavi

Model, hayatta kalmadaki farklılıklarla ilgili görüntü özelliklerini doğru bir şekilde saptadı. Örneğin, daha kötü sonuçlara işaret eden üç görüntü özelliği belirledi:

– Bir tümör içinde daha fazla hücre yoğunluğu.

– Tümör hücrelerinin çevresinde stroma olarak bilinen bağ destekleyici dokunun varlığı.

– Tümör hücrelerinin düz kas hücreleri ile etkileşimleri.

Model aynı zamanda tümör stroması içinde, hangi hastaların kanser nüksü olmadan daha uzun yaşama olasılığının daha yüksek olduğunu gösteren kalıpları da tanımladı.

Araç ayrıca, hangi hastaların bağışıklık kontrol noktası inhibitörleri olarak bilinen bir kanser tedavisi sınıfından fayda sağlayacağını doğru bir şekilde tahmin etti. Bu tedaviler kolon kanseri olan birçok hastada işe yarasa da, bazılarının ölçülebilir bir faydası yoktur ve ciddi yan etkileri vardır. Yu, modelin klinisyenlerin tedaviyi uyarlamasına ve fayda sağlamayacak hastaları korumalarına yardımcı olabileceğini söyledi.

Model ayrıca kolorektal kanserle ilişkili epigenetik değişiklikleri de başarıyla saptadı. Metil grupları olarak bilinen moleküller DNA’ya bağlandığında ve DNA’nın davranışını değiştirdiğinde ortaya çıkan bu değişikliklerin, tümörleri baskılayarak kanserlerin hızla büyümesine neden olan genleri susturduğu bilinmektedir. Modelin bu değişiklikleri belirleme yeteneği, tedavi seçimi ve prognoz hakkında bilgi vermesinin başka bir yolunu işaret ediyor. (ANI)

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

sweet bonanza oyna maltepe escort ataşehir escort şişli escort halkalı escort avrupa yakası escort şişli escort avcılar escort esenyurt escort beylikdüzü escort mecidiyeköy escort istanbul escort şirinevler escort avcılar escort
mecidiyeköy escort ankara escort deneme bonusu veren siteler mamigeek.com