Η τεχνητή νοημοσύνη (AI), η βαθιά μάθηση (DL) και η μηχανική μάθηση (ML) έχουν μεταμορφώσει πολλούς κλάδους και τομείς της επιστήμης. Τώρα, αυτά τα εργαλεία εφαρμόζονται για την αντιμετώπιση των προκλήσεων της ανακάλυψης βιοδεικτών καρκίνου, όπου η ανάλυση τεράστιων ποσοτήτων απεικόνισης και μοριακών δεδομένων είναι πέρα από την ικανότητα των παραδοσιακών στατιστικών αναλύσεων και εργαλείων. Σε ένα ειδικό τεύχος του Cancer Biomarkers, οι ερευνητές προτείνουν διάφορες προσεγγίσεις και διερευνούν μερικές από τις μοναδικές προκλήσεις της χρήσης AI, DL και ML για τη βελτίωση της ακρίβειας και της προγνωστικής ισχύος των βιοδεικτών για τον καρκίνο και άλλες ασθένειες.
“Το πεδίο των βιοδεικτών είναι ευλογημένο με μια πληθώρα δεδομένων απεικόνισης και μοριακής βάσης, και ταυτόχρονα, μαστίζεται με τόσα πολλά δεδομένα που κανένα άτομο δεν μπορεί να τα κατανοήσει όλα”, εξήγησε η Guest Editor Karin Rodland, Ph.D., Pacific Northwest National Laboratory, Richland; και το Πανεπιστήμιο Υγείας και Επιστήμης του Όρεγκον, Πόρτλαντ, OR, ΗΠΑ. “Το AI προσφέρει μια λύση σε αυτό το πρόβλημα και έχει τη δυνατότητα να αποκαλύψει νέες αλληλεπιδράσεις που αντικατοπτρίζουν με μεγαλύτερη ακρίβεια τη βιολογία του καρκίνου και άλλων ασθενειών.” Οι πολλά υποσχόμενες εφαρμογές των AI, DL και ML που παρουσιάζονται σε αυτό το τεύχος περιλαμβάνουν τον εντοπισμό καρκίνων πρώιμου σταδίου, τη συναγωγή της θέσης του συγκεκριμένου καρκίνου, τη βοήθεια στην ανάθεση κατάλληλων θεραπευτικών επιλογών για κάθε ασθενή, τον χαρακτηρισμό του μικροπεριβάλλοντος του όγκου και την πρόβλεψη της απόκρισης σε ανοσοθεραπεία.
Μια περιεκτική επισκόπηση της βιβλιογραφίας σχετικά με τη χρήση προσεγγίσεων τεχνητής νοημοσύνης για τον εντοπισμό βιοδεικτών για τον καρκίνο των ωοθηκών και του παγκρέατος απεικονίζει τις βασικές αρχές και εξετάζει τα κενά και τις προκλήσεις που αντιμετωπίζει το πεδίο στο σύνολό του. Οι καρκίνοι των ωοθηκών και του παγκρέατος είναι σπάνιοι, αλλά θανατηφόροι επειδή δεν έχουν πρώιμα συμπτώματα και ανίχνευση. Ο επικεφαλής ερευνητής Juergen A. Klenk, Ph.D., Biomedical Data Science Lab, Deloitte Consulting LLP, Arlington, VA, US και συνεργάτες περιγράφουν μελέτες που χρησιμοποιούν AI και ML για την ανάλυση εικόνων για την έγκαιρη ανίχνευση ασθενειών και μοντέλα που μπορούν να έχει σχεδιαστεί για να προβλέπει πιθανά αποτελέσματα για τον ασθενή. Μερικές από τις προκλήσεις, όπως η δυσκολία συγκέντρωσης αρκετά μεγάλων συνόλων δεδομένων, συζητούνται.
Ο επικεφαλής ερευνητής Debiao Li, Ph.D., Ινστιτούτο Έρευνας Βιοϊατρικής Απεικόνισης, Ιατρικό Κέντρο Cedars-Sinai, Λος Άντζελες, Καλιφόρνια, ΗΠΑ και συνεργάτες ανέπτυξαν ένα μοντέλο για τον εντοπισμό ατόμων σε κίνδυνο για αδενοκαρκίνωμα του παγκρεατικού πόρου (PDAC). Το PDAC σχετίζεται με πολλές προϋποθέσεις ανωμαλίες που μπορούν να είναι ορατές σε μια σάρωση με υπολογιστή (CT), αλλά αυτές είναι δύσκολο να κατανοηθούν με οπτική αξιολόγηση. Στη μελέτη τους, οι ερευνητές χρησιμοποίησαν αξονικές τομογραφίες από ασθενείς με επιβεβαιωμένο PDAC και αξονικές τομογραφίες από τους ίδιους ασθενείς που είχαν υποβληθεί σε αξονική τομογραφία έξι μήνες έως τρία χρόνια πριν από τη διάγνωση για να προσδιορίσουν ένα σύνολο χαρακτηριστικών CT που ήταν δυνητικά προγνωστικά για το PDAC. Το μοντέλο ήταν 86% ακριβές στην ταξινόμηση των ασθενών και των υγιών μαρτύρων, χρησιμοποιώντας τα αναγνωρισμένα χαρακτηριστικά CT.