Mellrák biomarkereit vizsgáló AI-kutatást publikáltak chicagói hallgatók

Két nyílt forráskódú modellt vizsgáltak

A kutatás egy, a University of Chicago MS in Applied Data Science programjában végzett záróprojektből, úgynevezett capstone projektből nőtt ki. A hallgatók Utku Pamuksuz, a Data Science Institute társult klinikai professzorának mentorálásával dolgoztak, és a University of Chicago Medicine kutatóival is együttműködtek.

A csapat azt vizsgálta, hogyan teljesít két vezető, nyílt forráskódú patológiai alapmodell, a TITAN és a CHIEF, amikor mellrákhoz kapcsolódó biomarkerek előrejelzésére használják őket. Ezek az AI-rendszerek digitális patológiai képek elemzésére készültek. A hallgatók a modellek eredményeinek kiértékelése után új technikákat is kidolgoztak a teljesítmény javítására. Az eredményekből született a Benchmarking Open-Source Pathology Foundation Models for Breast Cancer című kézirat, amelyet szakmai bírálat után publikáltak a Cancers folyóiratban.

Az AI a digitalizált szövettani képeket elemzi

A mellrák biomarkerei segítenek az orvosoknak kiválasztani az egyes betegek számára legmegfelelőbb kezelést. A forrás szerint a hagyományos laboratóriumi vizsgálatok eredményére azonban hetekig is várni kell, ami késleltetheti a klinikai döntéseket.

A patológusok egyik gyakori eszköze a H&E festésű tárgylemez. A speciális festékek láthatóbbá teszik a sejteket és a szöveti struktúrákat mikroszkópos vizsgálatkor. Ha ezeket a lemezeket digitalizálják, az AI-modellek olyan mintázatokat is elemezhetnek a képeken, amelyek az emberi szem számára nem feltétlenül láthatók.

Jiayou Liang, a kutatócsoport egyik hallgatója szerint a biomarkerek azonosításának ideje jelentősen lerövidülhet. Mint fogalmazott, a biomarkerek eredménye ma akár hetek alatt készül el, miközben a digitalizált lemez elemzése az alkalmazkodó patológiai alapmodellekkel másodpercekig tarthat. Ha a pontosságot jövőbeli, valós körülmények között végzett validáció is megerősíti, a többhetes várakozás körülbelül egy napra csökkenhet. Ebben az esetben a szövet feldolgozása maradna a szűk keresztmetszet, nem az elemzés.

A hallgatói projektből szakmai publikáció lett

A munka egyik fontos eleme az adattudományi és orvosi kutatók együttműködése volt. Liang elmondása szerint az orvosi kutatók részletesen bemutatták a patológiai képeket és az adatállományokat, a hallgatók pedig a gépi tanulással kapcsolatos tudásukat osztották meg. A csapat több technikai megközelítést is megvizsgált, mielőtt kialakította a publikáció alapjául szolgáló módszertant.

Liang meglepődött, amikor megtudta, hogy a tanulmányt elfogadták közlésre. Szerinte a projekt ezzel nem zárult le. A kutatók azt szeretnék jobban megérteni, hogyan teljesítenek az alapmodellek ezekben az osztályozási feladatokban, és tovább építik a záróprojekt során létrehozott gépi tanulási folyamatot. A hallgató reményei szerint ez később újabb tanulmányhoz vezethet.

A kutatás a hallgatók képzésére is hatással volt. Liang szerint megtanulta, hogyan vezessen kutatási projektet, miként működjön együtt különböző szakterületek képviselőivel, és hogyan fejlesszen egy ötletet az adatok megértésétől és a módszerek tesztelésétől az eredmények értékeléséig. A projekt megerősítette abban is, hogy doktori képzésben szeretne részt venni.

A klinikai alkalmazáshoz további ellenőrzés kell

A University of Chicago Data Science Institute szeptember 15-i beszámolója alapján a projekt közvetlen értéke, hogy a hallgatói zárómunka szakmai folyóiratban megjelent kutatássá vált. A biomarkerek gyorsabb előrejelzésének lehetősége a betegellátás szempontjából lehet fontos, de a forrás ezt a lehetőséget a jövőbeli validáció sikeréhez köti.

Liang a kutatási capstone iránt érdeklődő hallgatóknak azt tanácsolta, hogy legyenek türelmesek, beszéljenek a mentorukkal, csapattársaikkal és kutatási együttműködőikkel, és maradjanak kitartóak. A projekt így egyszerre adott tapasztalatot az interdiszciplináris együttműködésben, valamint hozzájárult a patológiai alapmodellek mellrákos alkalmazásának vizsgálatához.