Un nouvel outil d’intelligence artificielle qui interprète les pictures médicales avec une clarté sans précédent le fait d’une manière qui pourrait permettre aux cliniciens pressés par le temps de consacrer leur notice aux factors critiques du diagnostic de la maladie et de l’interprétation des visuals.
L'outil, appelé iStar (Inferring Super-Resolution Tissue Architecture), a été développé par des chercheurs de la Perelman University of Drugs de l'Université de Pennsylvanie, qui pensent pouvoir aider les cliniciens à diagnostiquer et à mieux traiter des cancers qui autrement pourraient passer inaperçus. La strategy d'imagerie fournit à la fois des vues très détaillées de cellules individuelles et une vision plus huge de l'ensemble du spectre de fonctionnement des gènes humains, ce qui permettrait aux médecins et aux chercheurs de voir des cellules cancéreuses qui autrement auraient pu être pratiquement invisibles. Cet outil peut être utilisé pour déterminer si des marges de sécurité ont été atteintes grâce aux interventions chirurgicales contre le most cancers et fournir automatiquement des annotations pour les illustrations or photos microscopiques, ouvrant ainsi la voie au diagnostic moléculaire des maladies à ce niveau.
Un posting sur la méthode, dirigé par Daiwei « David » Zhang, PhD, associé de recherche, et Mingyao Li, PhD, professeur de biostatistique et de pathologie numérique, a été publié aujourd'hui dans Character Biotechnology.
Li a déclaré qu'iStar a la capacité de détecter automatiquement des formations immunitaires anti-tumorales critiques appelées « structures lymphoïdes tertiaires », dont la présence est en corrélation avec la survie possible d'un affected individual et sa réponse favorable à l'immunothérapie, qui est souvent administrée pour le cancer et nécessite une grande précision dans la sélection des people.. Cela signifie, a déclaré Li, qu'iStar pourrait être un outil puissant pour déterminer quels people bénéficieraient le plus de l'immunothérapie.
Le développement d'iStar a été entrepris dans le cadre de la transcriptomique spatiale, un domaine relativement nouveau utilisé pour cartographier les activités des gènes dans l'espace des tissus. Li et ses collègues ont adapté un outil d’apprentissage automatique appelé Hierarchical Vision Transformer et l’ont formé sur des photos de tissus regular. Cela begin par décomposer les photos en différentes étapes, en commençant petit et en recherchant les détails les plus fins, puis en remontant et en « saisissant des modèles de tissus plus larges », selon Li. Un réseau guidé par le système d'IA d'iStar utilise les informations du transformateur de vision hiérarchique pour ensuite absorber toutes ces informations et les appliquer pour prédire les activités des gènes, souvent à une résolution proche d'une seule cellule.
« La puissance d'iStar vient de ses techniques avancées, qui reflètent, à l'inverse, la façon dont un pathologiste étudierait un échantillon de tissu », a expliqué Li. « Tout comme un pathologiste identifie des régions plus larges puis zoome sur des constructions cellulaires détaillées, iStar peut capturer les constructions tissulaires globales et également se concentrer sur les détails d'une impression tissulaire. »
Pour tester l'efficacité de l'outil, Li et ses collègues ont évalué iStar sur de nombreux styles différents de tissus cancéreux, notamment les cancers du sein, de la prostate, du rein et colorectal, mélangés à des tissus sains. Dans le cadre de ces checks, iStar a pu détecter automatiquement les cellules tumorales et cancéreuses difficiles à identifier simplement à l’œil nu. Les cliniciens du futur pourront peut-être détecter et diagnostiquer des cancers furthermore difficiles à voir ou à identifier avec iStar agissant comme une couche de soutien.
En furthermore des possibilités cliniques présentées par la technique iStar, l'outil évolue extrêmement rapidement par rapport à d'autres outils d'IA similaires. Par exemple, lorsqu’il a été configuré avec l’ensemble de données sur le most cancers du sein utilisé par l’équipe, iStar a terminé son analyse en seulement neuf minutes. En revanche, le meilleur outil d’IA concurrent a mis plus de 32 heures pour parvenir à une analyse similaire.
Cela signifie qu'iStar était 213 fois additionally rapide.
« L'implication est qu'iStar peut être appliqué à un grand nombre d'échantillons, ce qui est essentiel dans les études biomédicales à grande échelle », a déclaré Li. « Sa vitesse est également importante pour ses extensions actuelles dans la prédiction d'échantillons 3D et de biobanques. Dans le contexte 3D, un bloc de tissu peut impliquer des centaines, voire des milliers de tranches de tissu coupées en série. La vitesse d'iStar permet de reconstruire cette énorme quantité de données spatiales. données dans un court docket laps de temps.
Et il en va de même pour les biobanques, qui stockent des milliers, voire des tens of millions d’échantillons. C’est là que Li et ses collègues cibleront ensuite leurs recherches et l’extension d’iStar. Ils espèrent aider les chercheurs à mieux comprendre les microenvironnements au sein des tissus, ce qui pourrait fournir davantage de données à des fins de diagnostic et de traitement à l’avenir.
Cette recherche a été financée par les Nationwide Institutes of Health (R01GM125301 et R01HG013185).
