AI 模型「Ceograph」可精確預測組織樣本的癌症結果
簡單來說
新開發的醫學人工智慧模型 Ceograph 可以根據組織樣本預測癌症患者的結果。
UT 西南醫學中心 (UTSW) 的研究人員開發了一種 人工智能 (AI) 模型 - 名為 Ceograph - 展示了根據組織樣本預測癌症患者結果的能力。
這一發展為利用人工智慧來預測可能的軌跡提供了機會 疾病 並制定個人化治療策略。 正如《自然通訊》雜誌中所述，該方法仔細檢查組織樣本內細胞的空間配置。
「細胞空間組織就像一個複雜的拼圖遊戲，其中每個細胞都是一個獨特的部分，精心組合在一起形成有凝聚力的組織或器官結構。 這項研究展示了人工智慧掌握組織內細胞之間錯綜複雜的空間關係的非凡能力，提取以前超出人類理解範圍的微妙信息，同時預測患者的治療結果。」我們。
研究人員表示，在病理學領域，從患者身上常規採集組織樣本長期以來一直是診斷的主要手段。 這些樣本通常放置在玻片上供病理學家檢查，是診斷過程中的關鍵組成部分。
然而，正如肖博士所強調的那樣，這種傳統方法並非沒有缺點——它非常耗時，病理學家之間的解釋容易出現差異，並且可能會錯過病理圖像中的細微差別，而這些細微差別可能是了解患者健康狀況的關鍵線索。
為了應對這些挑戰，肖博士和他的團隊開發了人工智慧模型Ceograph。 與它的前輩不同的是， AI模型 其目的不僅是識別細胞類型或評估細胞接近度，而且旨在複製病理學家解釋組織圖像的方法的複雜方面。
肖博士強調，雖然先前的人工智慧模型在某些任務上表現出色，但它們未能捕捉到病理學家角色固有的複雜性。 這種複雜性涉及辨別細胞空間組織的模式並消除影像中無關的「雜訊」——這些因素對於準確解釋至關重要。
Ceograph 相對於傳統方法的優越性
肖博士補充說，Ceograph 透過模仿病理學家在讀取組織切片時的認知過程而脫穎而出。 它首先檢測影像中的細胞並確定它們的位置。 從那時起，人工智慧模型超越了單純的識別，深入研究了細胞類型、形態和空間分佈的複雜領域。
新的人工智慧模型可以創建詳細的地圖，幫助分析細胞如何排列、分佈和相互作用，這標誌著利用人工智慧模仿人類病理學家的細緻入微的技能向前邁出了一步。
研究人員使用病理切片在三個真實的臨床場景中對該工具進行了測試。 在第一種情況下，Ceograph 用於區分肺癌的兩種亞型—腺癌和鱗狀細胞癌。
該工具也用於預測潛在有害的口腔疾病（口腔癌前病變）發展為全面癌症的機會。 最後，研究小組確定了哪些肺癌患者最有可能對錶皮生長因子受體抑制劑的特定類別藥物產生積極反應。
研究人員表示，在每種情況下，Ceograph 模型在預測患者結果方面都遠遠優於傳統方法。
肖說，重要的是，Ceograph 識別的細胞空間組織特徵是可解釋的，並且可以從生物學角度了解個體細胞-細胞空間相互作用的變化如何產生不同的功能後果。
他進一步強調了日益重要的作用 人工智慧在醫療領域的應用，強調其提高病理分析效率和準確性的潛力。 他補充說，這種方法有望簡化有針對性的預防措施並優化個別患者的治療選擇。
免責聲明
在與線 信託專案指南，請注意，本頁提供的資訊無意且不應被解釋為法律、稅務、投資、財務或任何其他形式的建議。 重要的是，僅投資您可以承受損失的金額，並在有任何疑問時尋求獨立的財務建議。 如需了解更多信息，我們建議您參閱條款和條件以及發行人或廣告商提供的幫助和支援頁面。 MetaversePost 致力於提供準確、公正的報告，但市場狀況如有變更，恕不另行通知。
關於作者
Kumar 是一位經驗豐富的科技記者，專門研究人工智慧/機器學習、行銷技術以及加密貨幣、區塊鏈和人工智慧等新興領域的動態交叉領域。 NFTs。 Kumar 擁有超過 3 年的行業經驗，在撰寫引人入勝的敘述、進行富有洞察力的採訪和提供全面的見解方面建立了良好的記錄。 Kumar 的專長在於製作高影響力的內容，包括為著名產業平台製作文章、報告和研究出版物。 庫馬爾擁有結合技術知識和講故事的獨特技能，擅長以清晰且引人入勝的方式向不同的受眾傳達複雜的技術概念。
更多文章
Kumar 是一位經驗豐富的科技記者，專門研究人工智慧/機器學習、行銷技術以及加密貨幣、區塊鏈和人工智慧等新興領域的動態交叉領域。 NFTs。 Kumar 擁有超過 3 年的行業經驗，在撰寫引人入勝的敘述、進行富有洞察力的採訪和提供全面的見解方面建立了良好的記錄。 Kumar 的專長在於製作高影響力的內容，包括為著名產業平台製作文章、報告和研究出版物。 庫馬爾擁有結合技術知識和講故事的獨特技能，擅長以清晰且引人入勝的方式向不同的受眾傳達複雜的技術概念。
