با تسریع در مرحله اول تجزیه و تحلیل دادههای omics فضایی، یک مدل هوش مصنوعی جدید که در بیمارستان کودکان فیلادلفیا ایجاد شده است، بینشهای دقیقی را در مورد چگونگی توسعه و پیشرفت یک بیماری در سطح سلولی ارائه میدهد و میتواند تشخیص دقیق و درمانهای هدفمند را پیش ببرد.
بیمارستان میگوید ابزار AI منبع باز CHOP اکنون در یک مخزن عمومی برای استفاده غیرتجاری در دسترس است.
چرا مهم است
محققان اطفال برای تسریع در شناسایی و طبقهبندی سلولها در تصاویر بافت، یک مدل تصویربرداری زیستپزشکی تقویتشده با یادگیری عمیق به نام CelloType توسعه دادند. آنها سپس هوش مصنوعی تصویربرداری زیست پزشکی را در مجموعه گسترده ای از بیماری های پیچیده از جمله سرطان و بیماری مزمن کلیوی آزمایش کردند.
به گفته CHOP، CelloType برای بهبود دقت در تشخیص، تقسیمبندی و طبقهبندی سلول برنامهریزی شده است و در انجام وظایف در مقیاس بزرگ مانند پردازش زبان طبیعی و تجزیه و تحلیل تصویر کارآمد است.
در حالی که مدل CHOP به آموزش برای وظایف تقسیمبندی و طبقهبندی نیاز دارد، میتواند الگوها را یاد بگیرد و پیشبینی یا طبقهبندی را سریعتر از رویکردهای قبلی انجام دهد.
محققان عملکرد CelloType را با مدلهایی که تصاویر بافتهای چندگانه را تقسیمبندی میکنند، از جمله Mesmer و Cellpose2 مقایسه کردند و نتایج خود را از تحقیقات مؤسسه ملی سرطان در Nature Methods شرح دادند.
آنها در گزارش خود گفتند: «برخلاف رویکرد سنتی دو مرحلهای تقسیمبندی و به دنبال آن طبقهبندی، CelloType یک استراتژی یادگیری چندوظیفهای را اتخاذ میکند که این وظایف را ادغام میکند و همزمان عملکرد هر دو را افزایش میدهد».
انواع خاصی از سلول ها یا بزرگ هستند یا شکل نامنظمی دارند و چالش هایی را برای روش های تقسیم بندی مرسوم ایجاد می کنند. آنها گفتند که CelloType که از یادگیری عمیق مبتنی بر ترانسفورماتور استفاده می کند و تجزیه و تحلیل داده های با ابعاد بالا را خودکار می کند، روابط پیچیده و زمینه را در نمونه های بافت بهتر به تصویر می کشد.
CelloType از هوش مصنوعی برای ترسیم دقیق اشیاء در یک تصویر استفاده می کند.
کای تان، نویسنده اصلی این مطالعه و استاد دپارتمان اطفال در CHOP، در بیانیهای گفت: این رویکرد میتواند نحوه درک بافتهای پیچیده در سطح سلولی را دوباره تعریف کند و راه را برای پیشرفتهای متحول کننده در مراقبتهای بهداشتی هموار کند.
روند بزرگتر
به گفته CHOP، نیاز مبرمی به omics فضایی وجود دارد – زمینه ای که ژنومیک، رونویسی یا پروتئومیکس را با اطلاعات فضایی برای نقشه برداری از مکان هایی که مولکول های مختلف در سلول ها در بافت های پیچیده قرار دارند ترکیب می کند – برای ابزارهای محاسباتی پیچیده تر برای تجزیه و تحلیل داده ها.
پیشرفتهای اخیر منجر به تجزیه و تحلیل بافتهای دست نخورده در سطح سلولی شده است که به بینشهای بینظیری در مورد پیوند بین معماری سلولی و عملکرد بافتها و اندامهای مختلف اجازه میدهد.
استفاده از هوش مصنوعی برای بهبود درک تصاویر زیست پزشکی نه تنها می تواند به پزشکان در درمان بیماران کمک کند، بلکه ممکن است دسترسی بیمار به تصویربرداری پیشرفته و حتی پیش بینی بیماری هایی مانند سرطان را افزایش دهد، بنابراین سیستم های بهداشتی از ابزارهای تصویربرداری هوش مصنوعی استقبال می کنند.
در حالی که محققان در نروژ و دانمارک از تصاویر ماموگرافی در برنامههای ملی غربالگری سرطان سینه برای کمک به پیشبینی تشخیصها استفاده میکنند، موسسه قلب و عروق استمفورد در ماه اکتبر اعلام کرد که بیمارانش بهطور خودکار غربالگری بیماری عروق کرونر را در طول هر گونه سیتی اسکن قفسه سینه بدون کنتراست دریافت خواهند کرد. و زمانی که شاخص های ریسک آتی آنها افزایش یابد.
دکتر دیوید هسی، رئیس قلب و عروق و مدیر مؤسسه، در این باره گفت: «این ابزار توانایی ما را برای تشخیص علائم اولیه بیماری قلبی عروقی افزایش می دهد و تضمین می کند که بیماران مراقبت های بعدی مورد نیاز برای جلوگیری از پیامدهای جدی سلامت را دریافت می کنند.» بیانیه
یکی از افسران ارشد پزشکی و استاد اطفال گفت که او معتقد است که با داشتن هوش مصنوعی و یادگیری ماشینی، ارائه دهندگان مراقبت های بهداشتی می توانند وضعیت را برای بیمارانی که با بیماری های پیچیده مبارزه می کنند تغییر دهند.
“اطلاعات ژنتیکی و اپی ژنتیکی شخصیسازی شده میتواند به تنظیم بسیاری از داروها برای بیماران خاص و بیماریهای خاص کمک کند. همه این omics شامل حجم عظیمی از دادهها است که فناوری اطلاعات اکنون میتواند با جزئیات دقیق تجزیه و تحلیل کند که میتواند به صورت عملکردی از طریق هوش مصنوعی و یادگیری ماشینی مشتقشده ارزیابی شود. دکتر ویلیام هی جونیور، مدیر ارشد پزشکی در Astarte Medical، یک شرکت پزشکی دقیق، سال گذشته به Healthcare IT News گفت.
منبع:healthcareitnews
