رویکردهای آسیب شناسی دیجیتال به فنوتیپ ایمنی (آ) دو مدل ML با استفاده از WSI های دیجیتالی برای طبقه بندی نواحی بافتی (به عنوان مثال، اپیتلیوم سرطانی، استروما، و نکروز) و انواع سلول ها (مانند CD8) توسعه یافتند.+، CD8–و غیرلنفوسیت ها). در رویکرد اول (روش 1)، برش های مبتنی بر داده برای HIF های تولید شده توسط مدل CD8 اعمال شد.+ نسبت تعداد لنفوسیت ها در اپیتلیوم سرطان و استروما برای طبقه بندی نمونه ها به عنوان بیابان، حذف شده یا ملتهب. در رویکرد دوم (روش 2)، تمام پیش‌بینی‌های مدل بافت و سلول برای آموزش یک GNN برای طبقه‌بندی نمونه‌ها به عنوان بیابان، حذف یا ملتهب استفاده شد. (ب) برای مدل فضایی، یک GNN بدون نظارت به CD8 IHC WSI اعمال شد. این GNN برای کشف الگوهای بافتی تعریف شده توسط آرایش فضایی CD8 آموزش دیده بود+ سلول ها و سایر انواع سلول نسبت به اپیتلیوم سرطانی و استروما. GNN، شبکه عصبی گرافیکی؛ HIF ها، ویژگی های قابل تفسیر انسانی؛ IHC، ایمونوهیستوشیمی؛ ML، یادگیری ماشینی؛ WSI ها، تصاویر کل اسلاید. اعتبار: هوش مصنوعی در انکولوژی دقیق (2024). DOI: 10.1089/aipo.2023.0008
یک مطالعه جدید توسعه دو مدل یادگیری ماشینی را برای طبقه بندی ایمونوفنوتیپ یک نمونه سرطان بررسی می کند.
رویکرد پاتولوژی دیجیتال ارائه شده می‌تواند ایمونوفنوتیپ‌های سرطان را به شیوه‌ای تکرارپذیر و مقیاس‌پذیر مشخص و طبقه‌بندی کند، که نویدبخش کاربرد چنین روشی است. روشی برای شناسایی بیمارانی که ممکن است از ایمونوتراپی در سرطان ریه سلول غیر کوچک (NSCLC) سود ببرند، بر اساس مطالعه منتشر شده در هوش مصنوعی در انکولوژی دقیق.
ترکیب سلولی ریزمحیط ایمنی تومور نقش مهمی در پاسخ تومور به ایمونوتراپی دارد. سیگنالینگ TGF-ß برای ترویج طرد ایمنی شناخته شده است، جایی که CD8+ سلول های T در بافت استرومایی اطراف قرار دارند اما در خود تومور نیستند.
برای شناسایی بهتر بیمارانی که از سیستم ایمنی محروم هستند، Rui Wang از Sanofi و همکارانش دو مدل یادگیری ماشینی را برای تعیین کمیت CD8 توسعه دادند.+ مثبت بودن سلول و طبقه بندی ایمونوفنوتیپ یک نمونه سرطان در بیماران مبتلا به NSCLC.
محققان نتیجه گرفتند: «نتایج ما از استفاده بالقوه از ایمونوفنوتیپ‌های سرطان پیش‌بینی‌شده با یادگیری ماشین برای شناسایی بیمارانی که ممکن است از ایمونوتراپی و انسداد TGF-ß در NSCLC بهره ببرند، پشتیبانی می‌کند».
“این تحقیق به بهبود در شناسایی بیمار برای کاندیداتوری دارو، استفاده از هوش مصنوعی و یادگیری ماشینی برای مشخص کردن نشانگرهای زیستی دقیق برای ایمونوتراپی در NSCLC اشاره دارد. این نشان دهنده پیشرفت به سمت پزشکی شخصی‌سازی شده، درمان‌های نویدبخش متناسب با پروفایل‌های بیمار برای اثربخشی بیشتر و به حداقل رساندن عوارض جانبی است.”
داگلاس فلورا، MD، سردبیر این مرکز می‌گوید: «در اصل، بر اهمیت هدایت درمان‌های جدید به بیماران مناسب تأکید می‌کند و راه را برای عصر جدیدی از دقت در مراقبت از سرطان هموار می‌کند. هوش مصنوعی در انکولوژی دقیق.
اطلاعات بیشتر:
رابرت جی پومپونیو و همکاران، طبقه‌بندی ریزمحیط ایمنی تومور با استفاده از فنوتایپینگ CD8 مبتنی بر یادگیری ماشینی به‌عنوان نشانگر زیستی بالقوه برای ایمونوتراپی و بلوک TGF-β در سرطان ریه سلولی غیرکوچک، هوش مصنوعی در انکولوژی دقیق (2024). DOI: 10.1089/aipo.2023.0008
ارائه شده توسط Mary Ann Liebert, Inc
نقل قول: با استفاده از یادگیری ماشین برای شناسایی بیماران مبتلا به سرطان که از ایمونوتراپی سود می برند (2024، 16 آوریل) بازیابی شده در 16 آوریل 2024 از https://medicalxpress.com/news/2024-04-machine-patients-cancer-benefit-immunotherapy.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.