Verwendung künstlicher Intelligenz zur Klassifizierung von Lungenkrebsarten, Vorhersage von Mutationen


Das KI-gestützte Computerprogramm analysiert Gewebe, indem es eine Karte mit Tausenden von Kacheln erstellt. Die Karte rechts zeigt ein Plattenepithelkarzinom (rot), ein Plattenepithelkarzinom der Lunge (blau) und normales Lungengewebe (grau).

Bildnachweis: NYU School of Medicine

Die Forscher haben ein Computerprogramm trainiert, mit dem Dias von Gewebeproben gelesen werden können, um zwei der häufigsten Lungenkrebsarten mit einer Genauigkeit von 97% zu diagnostizieren . Das Programm lernte auch, krebsbedingte genetische Mutationen in den Proben zu erkennen, indem lediglich die Bilder von Krebsgewebe analysiert wurden.

In einem als maschinelles Lernen bekannten Prozess scannte das Computerprogramm Bilder von Gewebeschnitten und entwickelte die Fähigkeit, normales Lungengewebe von den beiden häufigsten Formen von Lungenkrebs, den Adenokarzinomen , die etwa 40% der Lungenkrebserkrankungen ausmachen, und den Plattenepithelkarzinomen zu unterscheiden Karzinome , die etwa 25% bis 30% der Lungenkrebserkrankungen ausmachen. Selbst erfahrene Pathologen können nur schwer zwischen diesen beiden Arten von Lungenkrebs unterscheiden, die aus unterschiedlichen Zelltypen entstehen und sehr unterschiedliche Behandlungspläne erfordern.

Um das Computerprogramm zu trainieren, verwendeten Forscher, die sich auf maschinelles Lernen spezialisiert haben, eine Deep-Learning-Methode, die ursprünglich von Google entwickelt und veröffentlicht wurde. Das Programm verwendet künstliche Intelligenz (KI), um sich selbst beizubringen, eine Aufgabe zu verbessern – in diesem Fall die Klassifizierung von Lungenkrebsproben -, ohne genau gesagt zu werden, wie.

Das Programm wurde mit mehr als 1.600 histopathologischen Folien von Lungenproben trainiert, die von The Cancer Genome Atlas (TCGA) öffentlich zugänglich gemacht wurden. Die Studie, die von Forschern des Langone Medical Center der New York University geleitet und am 17. September in Nature Medicine veröffentlicht wurde , stellt eine große Verbesserung der Genauigkeit von Berechnungsmethoden zur Diagnose von Lungenkrebs dar; Die zweitgenaueste Berechnungsmethode hat eine Genauigkeit von 83%.

Bilder als Daten und eine öffentliche Ressource

TCGA stellte histopathologische Aufnahmen von Tumorproben als Qualitätskontrollmaßnahme für Forscher zur Verfügung, die die im Projekt gesammelten genetischen Sequenzdaten untersuchen. Die Bilder "waren erforderlich, um sicherzustellen, dass Qualität und Identität des Gewebes korrekt waren", sagte Jean C. Zenklusen, Ph.D., Direktor der TCGA am NCI. Als Nebeneffekt, so Dr. Zenklusen, seien die Bilder nun selbst eine Ressource für die Analyse.

Die von TCGA zur Verfügung gestellten Bilder sind groß und haben eine hohe Auflösung, so dass die Forscher an der NYU jedes Bild in Tausende von Kacheln oder "Patches" in ein Raster unterteilt haben, in dem das Computerprogramm die visuellen Hinweise, die mit den Proben verknüpft werden könnten, einzeln analysiert Einstufung. "Wir hatten ungefähr 500 Patienten pro [Lungenkrebs] -Subtyp, aber Tausende von Flecken pro Bild. Daher hatten wir am Ende fast eine Million Flecken, um das Modell zu trainieren", sagte Dr. Narges Razavian, ein Machine Learning und AI Forscher an der NYU Langone, der die Studie leitete.

Die Genauigkeit, mit der das Programm lernte, Adenokarzinom von Plattenepithelkarzinom und normalen Lungenzellen zu unterscheiden, entsprach in etwa der von erfahrenen Pathologen, die Analyse kann jedoch viel schneller durchgeführt werden. Das Programm konnte innerhalb von Sekunden zu einer Schlussfolgerung kommen, anstatt zu den Minuten, die ein Pathologe benötigte.

Das Programm klassifizierte außerdem 45 von 54 Bildern korrekt, die von mindestens einem der drei an der Studie beteiligten Pathologen falsch klassifiziert wurden, was darauf schließen lässt, dass AI eine nützliche Zweitmeinung bieten könnte, schreiben die Forscher.

Das Programm wurde an einer unabhängigen Gruppe von Lungenkrebsproben – sowohl eingefroren als auch frisch entnommen – von der NYU getestet, um zu überprüfen, ob es bei einer vollständig getrennten Sammlung von Proben funktionierte.

Die Proben von TCGA waren fast ausschließlich Tumorgewebe. In diesem Validierungssatz enthielten die Proben jedoch häufig andere Komponenten wie Blutgerinnsel und totes Gewebe, die die Klassifizierungsaufgabe für das Programm "herausfordernd" machten, berichteten die Forscher.

Als Reaktion darauf überarbeiteten sie das Programm, um es auf die Teile der Gewebeproben zu konzentrieren, die größtenteils Tumor waren (wie von einem Pathologen festgestellt). Mit dieser Änderung lag die Genauigkeit der Methode im Durchschnitt bei über 90%, was sie als „sehr ermutigend“ bezeichneten.

Die Rolle der KI in Behandlung und Forschung

Aufgrund der Geschwindigkeit und Genauigkeit des Computerprogramms schlug das Forschungsteam vor, dass das Instrument während der Operation verwendet werden könnte, um beispielsweise zu überprüfen, ob eine Biopsie von ausreichender Qualität ist, um eine Diagnose zu stellen oder um einen Chirurgen darüber zu informieren, dass eine andere Probe benötigt wird.

Neben dem Nachweis, dass KI für eine schnelle und genaue Diagnose verwendet werden kann, zeigte das Forschungsprojekt, dass KI trainiert werden kann, um das Vorhandensein von sechs der häufigsten genetischen Mutationen beim Lungenkrebs-Adenokarzinom mit einer Genauigkeit von 64% vorherzusagen. 86%, je nach Gen.

"Das ist wissenschaftlich sehr spannend", sagte Dr. Razavian.

Derzeit kann der Mensch genetische Mutationen nur durch DNA-Sequenzierung nachweisen , was bis zu zwei Wochen dauern kann.

"Lungenkrebs wird in der Regel spät im Verlauf der Erkrankung entdeckt. Daher ist es für den Patienten schlecht, zwei Wochen zu warten, bis die Behandlung begonnen wird", sagte Dr. Razavian.

Viele Ärzteteams beginnen mit der Behandlung und passen die verwendeten Medikamente basierend auf den Ergebnissen der Gentests an. "Was wir zeigen, ist, dass Sie mit diesem Programm eine Behandlung beginnen könnten, die wahrscheinlich sofort die richtige ist", sagte Dr. Razavian.

Das Programm ist eine "Black Box", da seine Entscheidungen das Ergebnis tausender miteinander verbundener kleiner Schritte sind, die nicht leicht zusammenzufassen sind. Die Forscher können sich nicht genau vorstellen, was das Programm in einem Bild erkennt, um das Vorhandensein genetischer Mutationen vorherzusagen, aber das Programm kann als „Linse dienen, die Muster zeigt, die mit dem Auge kaum wahrnehmbar sind“, sagte Dr. Razavian.

Sie und ihre Kollegen verwenden das Programm, um zu erforschen, wie genetische Mutationen die Strukturen von Zellen und Geweben beeinflussen. Um dieses Problem zu lösen, verwenden sie automatisierte Methoden, die die Bilder modifizieren, um herauszufinden, welche visuellen Elemente die Fähigkeit des Programms, Mutationen wahrzunehmen, am meisten beeinflussen.

"Die Stärken der Studie", sagte Paula Jacobs, Ph.D., Associate Director des NCI Cancer Imaging Program, "sind die sorgfältige Auswahl des zu lösenden klinischen Problems", wie das Programm trainiert wurde, und die Tatsache, dass Die Ergebnisse wurden anhand eines unabhängigen Satzes von Lungenkrebsproben verifiziert.

Michael Snyder, Professor für Genetik an der Stanford University, betrachtet AI als die Zukunft der Diagnose. „Ich denke, wir müssen uns auf das maschinelle Lernen konzentrieren, anstatt uns auf Pathologen zu verlassen, um die ganze Arbeit zu erledigen“, sagte er. „Algorithmen ersetzen Pathologen nicht, aber sie unterstützen sie bei der Klassifizierung. Sie werden die Fehler reduzieren, die Pathologen sonst machen würden. “

Der für das Projekt entwickelte Code steht anderen Forschern für andere diagnostische Anwendungen zur Verfügung. Das NYU-Team hat bereits mit der Anwendung des Codes begonnen, um die Diagnose von Nieren-, Brust- und anderen Krebsarten zu erlernen.

Quelle: National Cancer Institute

Das könnte Dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.