Indische Wissenschaftler tippen auf künstliche Intelligenz, um aggressiven Brustkrebs zu identifizieren

Es zielt auch darauf ab, menschliche Fehler bei der Identifizierung von Brustkrebs zu reduzieren.

Während das Wort "Biopsie" genug ist, um Patienten in ein Schwindelgefühl zu versetzen, sagen Onkologen, dass es entscheidend ist, das Krebsstadium und "schneller wachsende" für eine angemessene und rechtzeitige Behandlung zu identifizieren. Um die Genauigkeit zu gewährleisten, wenden sich die Forscher in Indien nun der künstlichen Intelligenz (KI) zu. Ein Expertenteam von IIT-Kharagpur (IIT-Kgp) und dem Tata Medical Center (TMC) in Kolkata hat ein computergestütztes Modell entwickelt, das die Aggressivität von Brustkrebs automatisch messen kann, auch in abgelegenen Umgebungen. basierte Medizintechnik in Indien. Es zielt auch darauf ab, menschliche Fehler bei der Identifizierung von Brustkrebs mit verschiedenen Aggressivitätsgraden zu reduzieren, um bei der Unterscheidung von normalen und bösartigen Tumoren mit niedrigem und höherem Risiko zu helfen. Um dies zu tun, griff das Team auf Deep Learning zurück, eine Form der KI, die sich mit Algorithmen befasste, die von der Struktur und Funktion des Gehirns, den künstlichen neuronalen Netzen, inspiriert waren. "Die Idee besteht darin, den Krebs mit hohem Risiko zu bewerten und zu identifizieren. Diese Software ermöglicht eine genaue Identifizierung der aggressiven Krebserkrankungen überall, sogar im entlegensten Teil des Landes, und ermöglicht eine schnellere Überweisung und schnellere Behandlung von Patienten, unabhängig von ihrer geografischen Lage ", sagte Sanjoy Chatterjee, leitender klinischer Onkologe bei TMC.
Chandan Chakraborty und Monjoy Saha von IIT-Kgp und TMCs Indu Arun und Rosina Ahmed sind die Co-Autoren der Studie, die im Juni in Nature Scientific Reports veröffentlicht wurde. Sie waren von der Tatsache getrieben, dass die genaue Gruppierung der Aggressivität (hohes oder niedriges Wachstum der Zellen) von Brustkrebs eine Herausforderung in einer Zeit ist, in der die Krankheit weltweit die höchste Krebserkrankung bei Frauen ist und insbesondere in Entwicklungsländern wie Indien zunimmt , wo die Mehrheit der Fälle in ihren späten Stadien diagnostiziert wird. "Für beste Ergebnisse ist es immer wünschenswert, erfahrene Pathologen in anspruchsvollen Labors zu haben, aber es ist auch wichtig, dass wir erkennen, dass dies insbesondere außerhalb großer städtischer Krankenhäuser nicht immer machbar ist", betonte Ahmed. Die klinische Entscheidung über die Aggressivität von Brustkrebs erfolgt meist manuell, basierend auf bestimmten pathologischen Markern, wie sie bei der Untersuchung einer Gewebe- oder Zellprobe unter einem Mikroskop (Biopsie genannt) beobachtet wurden. (Lesen Sie: Achtung Damen! Kontrazeptiva können das Risiko von Brustkrebs erhöhen)
"Die manuelle Bewertung ist subjektiv und könnte mit einer steilen Lernkurve fehleranfällig sein und von den Intra- und Interobserver-Ambiguitäten abhängen. Der AI-Algorithmus hilft Pathologen dabei, aggressive Formen genau zu identifizieren, um eine schnellere und schnellere Überweisung und geeignete Behandlung zu ermöglichen ", sagte Chakraborty, leitender Forscher und verantwortlicher Professor des Labors für Biomedizinische Bildinformatik (BMI), School of Medical Science & Technology, IIT -Kgp. Die Software zeigte über 90 Prozent Präzision in der Versuchsanordnung, fügte er hinzu. Die Anwendung dreht sich um ein Protein (oder Marker) namens Ki-67, mit dem ein Index berechnet wird, der Krebsarten in den "niedrigen" oder "hohen" Aggressivitätsgruppen gruppiert. Der weltweit anerkannte Ki-67-Index wird verwendet, um das Ergebnis (Prognose) vorherzusagen und herauszufinden, welche Behandlung am besten funktioniert, sagen sie. Es wird zunehmend von Ärzten verwendet, um das Krebsverhalten zu reflektieren.
"Die vorgeschlagene computerisierte Erkennung kann den Ki-67-Score durch Detektion des schneller wachsenden Krebszellenprozentsatzes, Hotspots genannt, aus den Biopsiegewebebildern präzise messen. "Die Software wurde standardisiert. Sobald die Pathologen die Biopsie bekommen haben, müssen sie nur noch eine Sektion machen, ein Bild aufnehmen und den Computer einsetzen ", erklärte Chatterjee. "Um die Aufgabe schneller erledigen zu können, benötigt eine Grundeinrichtung eine GPU (Graphical Processing Unit), um die Bilder zu berechnen. "Es besteht keine Notwendigkeit für teure Infrastruktur. In ländlichen und städtischen Gebieten mit minimaler oder wenig fortgeschrittener Instrumentierung kann die manuelle Überprüfung der Ki-67-Scores zu fehleranfälligen Ergebnissen führen ", sagte Saha, Forschungswissenschaftler der School of Medical Science and Technology, IIT-Kgp, gegenüber IANS . Die Studie stellt fest: "Mehrere Ansätze zum maschinellen Lernen wurden gemeldet; Nichtsdestotrotz hatte keiner von ihnen an Deep-Learning-basierter Hotspot-Erkennung und Proliferationsscores gearbeitet. "" Die nächste Phase der Studie ist Validierung. Die Kliniker und die Pathologen werden Patienten rekrutieren und wir werden sie behandeln, je nachdem, was die Pathologen sagen. Wir werden die Ergebnisse sowohl von der Software als auch von den Pathologen vergleichen, so dass die Disharmonie-Raten ziemlich niedrig sind. Dann können wir das Verfahren für den klinischen Einsatz freigeben ", fügte Chatterjee hinzu. (Lesen: Eine fettreiche Diät in der Schwangerschaft kann das Brustkrebsrisiko erhöhen)

Senden Sie Ihren Kommentar