Jaunas publikācijas
Zinātnieki ir izstrādājuši mākslīgo intelektu, lai klasificētu smadzeņu audzējus
Pēdējā pārskatīšana: 14.06.2024
Visi iLive saturs ir medicīniski pārskatīts vai pārbaudīts, lai nodrošinātu pēc iespējas lielāku faktisko precizitāti.
Mums ir stingras iegādes vadlīnijas un tikai saikne ar cienījamiem mediju portāliem, akadēmiskām pētniecības iestādēm un, ja vien iespējams, medicīniski salīdzinošiem pārskatiem. Ņemiet vērā, ka iekavās ([1], [2] uc) esošie numuri ir klikšķi uz šīm studijām.
Ja uzskatāt, ka kāds no mūsu saturiem ir neprecīzs, novecojis vai citādi apšaubāms, lūdzu, atlasiet to un nospiediet Ctrl + Enter.
Austrālijas Nacionālās universitātes (ANU) pētnieki ir izstrādājuši jaunu mākslīgā intelekta rīku, lai ātrāk un precīzāk klasificētu smadzeņu audzējus.
Saskaņā ar Dr. Dan-Thai Hoang teikto, audzēju diagnosticēšanas un klasifikācijas precizitāte ir ļoti svarīga, lai efektīvi ārstētu pacientus.
"Pašreizējais zelta standarts dažādu veidu smadzeņu audzēju identificēšanai ir uz DNS metilēšanu balstīta profilēšana," sacīja Dr. Hoangs.
“DNS metilēšana darbojas kā slēdzis, lai kontrolētu gēnu aktivitāti un noteiktu, kuri gēni ir ieslēgti vai izslēgti.
“Taču šāda veida testu veikšanai nepieciešamais laiks var būt būtisks trūkums, jo bieži vien ir nepieciešamas nedēļas vai ilgāk, kad pacientiem var būt nepieciešams ātri pieņemt lēmumus par terapiju.
Pārskats par datu kopām un skaitļošanas darbplūsmu. Avots: Dabas medicīna (2024). DOI: 10.1038/s41591-024-02995-8
“Turklāt šādi testi nav pieejami gandrīz visās pasaules slimnīcās.”
Lai risinātu šīs problēmas, pētnieki no ANU sadarbībā ar ekspertiem no ASV Nacionālā vēža institūta ir izstrādājuši DEPLOY — veidu, kā paredzēt DNS metilēšanu un pēc tam klasificēt smadzeņu audzējus 10 galvenajos apakštipos.
DEPLOY izmanto pacienta audu mikroskopiskus attēlus, ko sauc par histopatoloģiskiem attēliem.
Modelis tika apmācīts un pārbaudīts ar lielām datu kopām, kurās bija aptuveni 4000 pacientu no ASV un Eiropas. publicēts žurnālā Nature Medicine.
"Pārsteidzoši, DEPLOY sasniedza nepieredzētu 95% precizitāti," sacīja Dr. Hoangs.
“Turklāt, analizējot 309 īpaši grūti klasificējamu paraugu apakškopu, DEPLOY spēja nodrošināt diagnozi, kas bija klīniski nozīmīgāka nekā tā, ko sākotnēji sniedza patologi.
“Tas parāda DEPLOY iespējamo lomu nākotnē kā papildu līdzekli, kas papildina patologa sākotnējo diagnozi vai pat liekot veikt atkārtotu novērtēšanu neatbilstību gadījumā.”
Pētnieki uzskata, ka DEPLOY galu galā varētu izmantot, lai klasificētu citus vēža veidus.
Pētījuma rezultāti tika publicēti žurnālā Dabas medicīna.