電腦視覺推動癌症檢測與治療

電腦視覺是人工智慧的一個分支，可讓演算法理解和詮釋來自影像和視訊的視覺資料。在癌症研究中，它越來越多地被用來分析來自病理切片、顯微鏡樣本和醫學掃描的複雜視覺資訊。這些工具可以簡化冗長的工作流程，讓資源不足的團隊有能力達成目標，最終改善病患照護。

增進對腫瘤驅動因子的了解

在以活組織檢查為基礎的癌症診斷之後，病理學家通常會進行 RNA 排序，以找出助長腫瘤生長的基因組變異。這些知識對於研究和量身訂做個人化療法都非常重要。然而，目前的方法成本高、速度慢，因此需要尋找更有效率的替代方法。

為了解決這個問題，一個研究團隊開發了一種 AI 工具，可以直接從標準的活檢顯微鏡影像中預測腫瘤細胞內的基因活動。他們在橫跨 16 種癌症類型、超過 7,500 個樣本的龐大資料集上訓練模型，並輔以健康細胞的影像作比較。

研究團隊設計的工具既清晰又實用。它會產生活檢的視覺地圖，突出預測的基因活動模式。研究人員可藉此找出腫瘤內部的空間變化。利用常見的細胞染色技術，人工智能成功地從染色影像中找出 15,000 多個基因的表達模式。

結果顯示，人工智能的基因活動預測與實際測量結果之間的相關性超過 80%。在特定癌症類型的大型資料集上進行訓練後，模型的準確性普遍提高。

進一步的實驗證明，該演算法具有評估乳癌患者基因組風險分數的潛力。那些被識別為高風險的患者經歷了更頻繁和更快的復發。

人工智慧持續帶來顯著的醫學突破，例如偵測 COVID-19 準確度高達 99% 的系統。雖然這些工具功能強大，但它們必須增強而非取代專業知識。完全依賴 AI 可能會影響病患的療效。

找出最佳治療方案

癌症病人通常要承受巨大的壓力和治療帶來的副作用，而這些治療對於他們的特定病症可能並不是最有效的。雖然噁心等副作用是可以忍受的，但如果早期結果不理想，病人繼續治療的意願就會降低。

更快地找出最佳的個人化治療對每個人都有好處。標準的照護規劃包括分析 CT 和 MRI 掃描，其中每個像素都是以灰階顯示的單一資料點。AI 可提供更詳細的檢視。一種先進的工具可以分析每個像素多達 30,000 個特徵，並評估小至 400 平方微米的組織樣本 - 大約是五根人類頭髮的寬度。

利用捐贈的樣本，該工具展示了它的價值。在膀胱癌樣本中，它找出了負責形成第三層淋巴結構的專門細胞群，而第三層淋巴結構與對免疫療法的較佳反應有關。在胃癌樣本中，它能準確區分癌細胞和健康組織黏膜，幫助臨床醫生更好地評估癌細胞的擴散情況。

研究人員相信這項技術可以引導腫瘤學家針對不同的癌症採取最有效的治療方法。透過從標準診斷影像中萃取更豐富的資料，它也有可能加速研究。

加速藥物開發

將新的癌症藥物推向市場是一個長達數年的過程，在很大程度上取決於成功的臨床試驗。一個位於倫敦的團隊最近創造了一種 AI 方法，用來評估藥物如何有效地達到其細胞靶點。將焦點放在最有潛力的候選藥物上，可以改善療效，並加快監管機構的審批速度。

研究團隊使用幾何深度學習來分析近 10 萬張黑色素瘤細胞影像的 3D 形狀。不同於之前對玻片上細胞的二維分析，這種方法研究的細胞狀態更加逼真。它能捕捉治療如何改變細胞形狀，並揭示不同細胞群的變異性。

該工具在偵測特定藥物的影響時，準確率達到 99% 以上。它甚至可以識別出針對不同蛋白質的藥物所造成的形狀變化。

透過揭示生化變化，人工智慧可以突顯有潛力的癌症新藥靶點。這項創新可以將臨床前測試階段從三年壓縮到三個月，並有可能縮短臨床試驗長達六年的時間。它將有助於識別最有可能受益的患者，並更快地瞭解副作用。

簡化癌症分析工作流程

雖然人工智慧提升了癌症研究的許多層面，但大多數工具都只著重於單一任務。這迫使醫療專業人員學習多個系統。為了改善可用性，有些團隊正在開發全面、多用途的解決方案。

其中一個團隊建立了一個類似 ChatGPT 的模型，其功能足以處理 19 種癌症類型的評估任務。它加速了檢測、預後評估和治療反應監控的流程。開發人員聲稱這是第一個成功預測和驗證不同國際病患群組結果的模型。

AI 可分析腫瘤樣本的數位切片、檢查分子特徵，並識別癌細胞。它還能評估腫瘤周圍的組織，以顯示治療效果。在測試中，它被證明比現有的工具更精確。值得注意的是，它是第一個將特定腫瘤特徵與改善病人存活率聯繫起來的工具，有可能開闢新的研究途徑。

該模型最初是在 1,500 萬張未標籤的影像上進行訓練，並依興趣區域進行分割。之後再使用 19 種癌症類型的 60,000 張整張圖像進行改進，教它執行全面的圖像分析。

該工具在 32 個獨立的全球資料集 (代表 24 個病患群組和醫院) 的 19,400 張整片影像上進行了嚴格的測試。這可確保它在實際臨床環境中的穩健性。

最大化生物醫學影像的洞察力

生物醫學顯微鏡對於癌症研究非常重要，但分析這些影像可能需要好幾天的時間。一個研究團隊開發了一種新穎的電腦視覺技術來簡化這個過程。它運用機器學習來分析樣本，並發現癌症腫瘤的共同特徵。

此工具可同時檢視腫瘤的多個區域，並將其綜合為連貫的分析，從而達到高效率。其他方法會將大型腫瘤影像分割成小塊，並分別進行分析。由於這些影像可能包含多達十億個像素，因此標準方法非常耗時。

開發人員預想未來臨床醫師能從腫瘤影像中得到近乎即時的診斷。這些資訊可以在手術期間即時傳達給外科醫師，讓他們可以根據最新的資料做出決定。

與領先的基線技術相比，這款新工具的性能提高了近 4%，在某些測試中的準確率接近 88%。研究人員強調它的廣泛適用性，因為它可以用於任何腫瘤類型和顯微鏡檢查方法。

以電腦視覺推動癌症研究發展

人工智慧驅動的電腦視覺在提升癌症研究的影響力、增進科學發現與病患治療效果方面，具有相當大的潛力。上述範例說明了其多樣化的應用。專業人員應該整合這些技術，以補充並擴展他們來之不易的專業知識，而非以無懈可擊的方式取代人類的判斷。