2024-07-26
来源: https://www.labmedica.com/pathology/articles/294801919/ai-model-identifies-breast-tumor-stages-likely-to-progress-to-invasive-cancer.html
78
原位导管癌(DCIS)是一种非侵入性肿瘤,有时会发展为更致命的乳腺癌症,约占癌症所有病例的25%。30%至50%的DCIS患者可能发展为癌症的侵袭期,但由于未知的生物标志物,确定哪些肿瘤会进展仍然是一个挑战。目前的诊断实践包括多重染色或单细胞RNA测序,以确定组织样本中的DCIS分期,但这些方法成本高昂,应用不广泛。这导致DCIS患者可能过度治疗。现在,一种新的人工智能(AI)模型可以将DCIS的不同阶段与廉价且现成的乳腺组织图像区分开来。
来自麻省理工学院(美国马萨诸塞州剑桥市)和苏黎世联邦理工大学(瑞士苏黎世市)的跨学科研究团队开发的模型是使用同类最大的数据集之一进行训练和测试的,因为这样的组织图像很容易获得。这种人工智能模型可能会简化更简单DCIS病例的诊断过程,减少对劳动密集型方法的依赖,并使临床医生能够更多地关注模糊病例。此前,该团队发现,一种名为染色质染色的低成本成像技术可以提供与高成本单细胞RNA测序相当的见解。他们假设,将这种染色方法与复杂的机器学习模型相结合,可以以更低的成本获得详细的癌症分期信息。
他们汇编了来自三个疾病阶段的122名患者的560张组织样本图像的数据集,以训练他们的AI模型。该模型学习表示图像中每个细胞的状态,以确定癌症的分期。认识到并非所有细胞都表明存在癌症,该团队设计了该模型,以创建具有相似状态的细胞簇,识别出对诊断DCIS至关重要的八种不同状态。一些州认为患侵袭性癌症的可能性更高。然而,他们了解到,了解每种细胞状态的比例是不够的;了解这些细胞在组织内的组织方式也至关重要。该模型得到了增强,可以评估细胞状态的比例和空间排列,从而显著提高了其准确性。与传统的病理学家评估相比,该模型在许多情况下显示出高度的一致性。对于不太确定的病例,该模型提供了对组织样本特征的见解,如细胞组织,这可以帮助病理学家进行诊断。该模型的多功能性表明,研究人员目前正在探索的领域包括乳腺癌症以外的其他癌症和神经退行性疾病。
麻省理工学院的Caroline Uhler表示:“我们迈出了第一步,了解到在诊断DCIS时应该关注细胞的空间组织,现在我们已经开发出一种可扩展的技术。”。“从这里开始,我们真的需要一项前瞻性研究。与医院合作并将其一路推向临床将是向前迈出的重要一步。”
责编: editor