人工智能检测肿瘤细胞的能力可能是更准确骨癌预后的关键

发布时间：2024-04-25 15:55:22 栏目：精选知识

导读 九州大学的研究人员开发并验证了一种机器学习模型，该模型可以准确评估骨肉瘤(最常见的恶性骨肿瘤)的病理图像治疗后存活肿瘤细胞的密度。该

九州大学的研究人员开发并验证了一种机器学习模型，该模型可以准确评估骨肉瘤(最常见的恶性骨肿瘤)的病理图像治疗后存活肿瘤细胞的密度。该模型可以评估单个肿瘤细胞对治疗的反应，并比传统方法更可靠地预测患者的总体预后。



手术和化疗显着改善了局限性骨肉瘤患者的预后。然而，患有晚期转移性疾病(癌细胞已扩散到远处组织的阶段)的患者的存活率较低。经过手术和化疗的标准治疗后，评估患者的预后对于确定其后续的个体化治疗计划至关重要。然而，预测患者的治疗结果面临许多挑战。目前，预后依赖于坏死率评估，其中涉及病理学家评估肿瘤内死亡组织的比例。不幸的是，这些方法受到病理学家评估之间差异的限制，并且可能无法准确预测治疗反应。

认识到需要更快、更准确的预测，共同第一作者、日本九州大学医学科学研究生院骨科外科系的 Kengo Kawaguchi 博士和 Kazuki Miyama 博士以及讲师Makoto Endo 博士九州大学医院骨科外科教授和合作者利用人工智能 (AI) 进行更细致的评估。以Endo博士为首的多学科团队包括九州大学Ryoma Bise教授、Yoshinao Oda教授和Yasuharu Nakashima教授。 Endo 博士解释了他们的研究背后的基本原理，该研究于2024 年 1 月 22 日发表在《njp Precision Oncology》上，他说：“在传统方法中，坏死率是根据坏死面积而不是单个细胞计数来计算的，这不是评估者之间具有足够的可重复性，并且不能充分反映抗癌药物的作用。因此，我们考虑使用人工智能来改进估计。”

在该研究的第一阶段，该团队训练了一种称为深度学习模型的人工智能来检测存活的肿瘤细胞，并使用患者数据验证其检测性能。该人工智能模型能够熟练地检测病理图像中的活肿瘤细胞，与病理学家的能力相一致。在第二阶段，研究人员分析了两个关键指标：疾病特异性生存率，跟踪诊断或治疗后没有直接由疾病引起的死亡的持续时间，以及无转移生存率，监测治疗后癌细胞没有扩散到的时间。远处的身体部位。他们还探讨了人工智能估计的活肿瘤细胞密度与预后之间的相关性。值得注意的是，人工智能模型表现出与病理学家相当的检测性能和精度，并且具有良好的重现性。

接下来，研究人员根据活肿瘤细胞密度是否高于或低于400/mm 2将患者分组。生存分析显示，度组的预后较差，而低密度组的疾病特异性生存和无转移生存的预后较好。另一方面，坏死率与疾病特异性生存或无转移生存无关。此外，对个别病例的分析表明，人工智能估计的活肿瘤细胞密度是比坏死率更可靠的预后预测指标。

总体而言，这些发现表明，基于人工智能的活肿瘤细胞测量反映了骨肉瘤的固有恶性肿瘤(癌症扩散能力)和个体肿瘤细胞反应。将人工智能纳入病理图像分析可提高检测准确性，减少评估者之间的差异，并实现及时评估。此外，对存活肿瘤细胞的估计反映了它们在化疗后继续增殖的能力，是比细胞死亡更可靠的治疗反应预测指标。本研究开发的人工智能模型的大规模验证有助于其在现实临床环境中更广泛的应用。

“这种新方法有可能提高接受化疗的骨肉瘤患者的预后准确性。未来，我们打算积极将人工智能应用于骨肉瘤等罕见疾病的流行病学、发病机制和病因学方面进展有限的疾病。尽管已经过去了几十年，特别是在治疗策略方面，但仍难以取得实质性进展。通过利用人工智能来解决问题，这种情况可能最终会改变。” 满怀希望的远藤博士总结道。