UT Southwestern Forscher haben entwickelt ein software-tool, das verwendet künstliche Intelligenz, um zu erkennen Krebs Zellen von digital-Pathologie-Bilder—geben dem Kliniker eine leistungsfähige Möglichkeit der Vorhersage von therapieergebnissen.
Die räumliche Verteilung der verschiedenen Arten von Zellen können zeigen, ein Krebs-Wachstums-Muster und seine Beziehung zu den umgebenden mikroumgebung und der Immunreaktion des Körpers. Aber der Prozess der manuellen Ermittlung aller Zellen in einer Pathologie Folie ist extrem arbeitsintensiv und fehleranfällig.
„Da gibt es in der Regel Millionen von Zellen in einer Gewebeprobe, ein Pathologe kann nur analysieren, so viele Dias in einem Tag. Um eine Diagnose zu stellen, Pathologen in der Regel nur untersucht mehrere „Vertreter“ Regionen im detail, anstatt die ganze Folie. Jedoch, einige wichtige details zu übersehen, die von diesem Ansatz“, sagte Dr. Guanghua „Andy“ Xiao, entsprechenden Autor der Studie veröffentlicht in EBioMedicine und Professor der Bevölkerung und Daten-Wissenschaften an der UT Southwestern.
Das menschliche Gehirn, Dr. Xiao Hinzugefügt, ist nicht gut bei Abholung subtilen morphologischen mustern. Daher eine große technische Herausforderung bei der systematischen Untersuchung der tumor-mikroumgebung ist wie die automatische Klassifizierung von verschiedenen Arten von Zellen und die Quantifizierung Ihrer räumlichen Verteilungen, sagte er.
Die KI-Algorithmus, der Dr. Xiao und seinem team entwickelt, genannt ConvPath, überwindet diese Hindernisse, indem Sie mit AI zu klassifizieren Zelltypen von Lungenkrebs Pathologie-Bilder.
Hier ist, wie es funktioniert: Die ConvPath-Algorithmus kann das „Aussehen“ an Zellen und Identifizierung Ihrer Typen, basierend auf Ihren Auftritt in der Pathologie-Bilder mit einem KI-Algorithmus, der lernt von menschlichen Pathologen. Dieser Algorithmus effektiv konvertiert eine Pathologie Bild in eine „Landkarte“, die zeigt die räumlichen Verteilungen und Interaktionen von Tumorzellen, Stromazellen (d.h., die Zellen des Bindegewebes) und Lymphozyten (d.h. die weißen Blutkörperchen) im Tumorgewebe.
Ob tumor-Zellen-cluster gut zusammen oder verteilt in Stromazellen der Lymphknoten ist ein Faktor, offenbart die Reaktion des körpereigenen Immunsystems. So wissen Sie, dass Informationen, die helfen können ärzte anpassen, Behandlungsplan und lokalisieren das Recht der Immuntherapie.
Letztlich ist der Algorithmus hilft Pathologen erhalten die genauesten Krebs-Zell-Analyse—in einen viel schnelleren Weg.
„Es ist zeitaufwändig und schwierig für Pathologen zu suchen, sehr kleine tumor-Regionen in Gewebe-Bilder, so könnte dies erheblich die Zeit reduzieren, die Pathologen brauchen, um das Geld auf das jeweilige Bild,“ sagte Dr. Xiao, der hat auch einen Termin in der L. Hill, Lehrstuhl Bioinformatik und ein Mitglied sowohl der Quantitative Biomedical Research Center (QBRC) und Harold C. Simmons Comprehensive Cancer Center an der UTSW.