电子说
根据《今日药物发现》上发表的一篇评论,人工智能及其各种应用正在重新定义科学家进行癌症研究的方式。
印度孟买Shobhaben Pratapbhai Patel药房和技术管理学院的作者Vaishali Y. Londhe和Bhavya Bhasin在论文中说,肿瘤及其所需的治疗方法本质上是复杂的,但人工智能正在改变肿瘤学家的研究方式。癌症管理。
他们写道:“癌症的独特性使得其进展和早期诊断的绘图变得困难。” “深度学习已成功应用于以前难以理解的领域,并为癌症治疗设定了新的标准。”
隆德(Londhe)和巴辛(Bhasin)认为AI在肿瘤学领域发挥着最大作用的五个领域是:
1.诊断转移
Londhe和Bhasin说,诊断皮肤癌通常涉及临床筛查和皮肤镜分析,然后进行活检和组织病理学分析,但是AI的最新进展为减少耗时的方法铺平了道路。Esteva等人进行的2017年研究。并在《自然》杂志上发表,使用129,450张皮肤癌的临床图像来训练卷积神经网络(CNN)以识别和分类癌症,而AI最终能够检测到恶性肿瘤以及皮肤科医生。
俄勒冈州立大学的另一组研究人员使用深度学习从基因表达数据中提取信息,从而帮助他们对不同类型的乳腺癌细胞进行分类,从而揭示了用于乳腺癌检测的新生物标记。
2.分割肿瘤
分析肿瘤体积是诊断后立即在癌症治疗中采取的步骤,但是放射科医生使用的传统方法(即实体肿瘤的反应评估标准或RECIST)进展缓慢,且可降低近50%。
科学家已经使用CNN来更精确地分割脑肿瘤,肝肿瘤和视神经胶质瘤。在肝癌研究中,一个团队使用CNN对后续CT中的肝肿瘤进行分割,将基线CT扫描输入,对CT扫描进行描绘并在CNN中进行后续扫描以实现自动分割。
Londhe和Bhasin写道:“与半自动方法相比,CNN的主要优势在于,由于能够自动识别特征,因此无需手工定制特征。”
3.应用精确组织学
这组作者说,组织形态学已经被精确的组织学(一种深度学习)“革命”了。多年来,病理学和诊断一直依赖于对H&E染色载玻片的准确解释(这种解释可能缓慢且不可靠),而深度神经网络(DNN)则采用了可以加快这一过程的算法。DNN已被用于分析皮肤病变,其准确性与皮肤科医生相似,将图像解构为像素并将其聚集以形成可再现的特征,从而产生某种诊断模式。
Londhe和Bhasin说:“由于高通量全幻灯片扫描技术的发展,DNN很快将能够基于H&E幻灯片进行更准确的分析。” “这还将导致开发新的生物数据库,这将进一步帮助精准肿瘤学。”
4.追踪肿瘤的发展
深度学习也已应用于跟踪肿瘤的发展。德国弗劳恩霍夫医学影像计算研究所的研究人员开发了一种深度学习模型,该模型可以自我更新,并且在读取更多CT和MRI时会变得更加准确,该软件还可以轻松进行图像比较,以跟踪患者在诊所就诊之间的肿瘤发展情况。
Londhe和Bhasin写道,这种方法对检测骨骼,肋骨和脊柱的癌症最有帮助,因为由于时间限制,这些肿瘤经常被忽略。
5.评估癌症的阶段
分析患者的癌症分期对于预后至关重要,但作者说,常规评估过程“与各种局限性有关”。作为替代方案,研究人员开发了一种预测模型,该模型使用深度学习来预测接受胃切除术的患者的存活率。
Londhe和Bhasin写道:“与基于常规Cox回归的预测相比,基于深度学习的预后检测具有更高的预测能力。” “它表明深度学习可以提供更加个性化和精确的基于风险的分层。”
全部0条评论
快来发表一下你的评论吧 !