通过加快空间组学数据分析的第一步，费城儿童医院（CHOP）开发的一种新的人工智能模型提供了关于疾病如何在细胞水平上发展和进展的详细见解，并可以推进精确诊断和靶向治疗。CHOP表示，这种开源AI工具现已在公共存储库中提供非商业使用。
为什么这很重要
儿科研究人员开发了一种基于深度学习的生物医学成像模型，称为CelloType，用于加速组织图像中细胞的识别和分类。然后，他们在一系列复杂的疾病中测试了该生物医学成像AI，包括癌症和慢性肾病。CHOP表示，CelloType被编程为提高细胞检测、分割和分类的准确性，并且在处理大规模任务（如自然语言处理和图像分析）方面非常高效。
尽管CHOP的模型需要进行分割和分类任务的训练，但它可以比以前的方法更快地学习模式并进行预测或分类。研究人员将CelloType的性能与分割多路复用组织图像的模型（包括Mesmer和Cellpose2）进行了比较，并在《自然方法》杂志上详细报告了由国家癌症研究所资助的研究结果。“与传统的先分割后分类的两阶段方法不同，CelloType采用多任务学习策略，同时整合这些任务，从而同时提升两者的表现，”他们在报告中说。某些细胞类型要么体积较大，要么形状不规则，给传统分割方法带来了挑战。CelloType利用基于变换器的深度学习技术，自动化高维数据分析，更好地捕捉组织样本中的复杂关系和上下文。
CelloType使用AI精确勾勒图像中的对象。该研究的主要作者、CHOP儿科系教授Kai Tan在一份声明中表示：“这种方法可能会重新定义我们如何在细胞水平上理解复杂组织，为医疗保健领域的变革性突破铺平道路。”
更大的趋势
CHOP指出，空间组学是一个将基因组学、转录组学或蛋白质组学与空间信息结合以绘制复杂组织内不同分子位置的领域，迫切需要更高级的数据分析计算工具。最近的进展使得可以在细胞水平上分析完整的组织，从而获得前所未有的关于细胞结构与各种组织和器官功能之间联系的见解。
利用AI改进对生物医学图像的理解不仅可以帮助临床医生治疗患者，还可以提高患者对先进成像的访问，甚至预测癌症等疾病，因此医疗系统正在积极采用AI成像工具。挪威和丹麦的研究人员正在使用全国乳腺癌筛查计划中的乳房X光图像来帮助预测诊断，而斯坦福心脏与血管研究所于10月宣布，其患者将在任何非对比胸部CT扫描中自动接受冠状动脉疾病筛查，当他们的未来风险指标升高时也是如此。
“这一工具增强了我们检测心血管疾病早期迹象的能力，确保患者获得所需的后续护理，以防止严重的健康后果，”心脏病学主任兼研究所联席主任David Hsi博士在一份声明中表示。一位首席医疗官和儿科教授表示，他认为，借助AI和机器学习，医疗保健提供者可以改变对抗复杂疾病患者的局面。“个性化的遗传和表观遗传信息可以帮助将许多药物定制到特定患者和特定疾病。所有这些组学都涉及大量数据，信息技术现在可以详细分析这些数据，并通过人工智能和机器学习衍生的算法进行功能性评估，”Astarte Medical公司的首席医疗官William Hay Jr.博士去年在接受《医疗IT新闻》采访时说。
专家观点
“我们才刚刚开始解锁这项技术的潜力，”Tan在一份声明中说。
(全文结束)
