Исследовательская группа в Университете Гонконга (HKU) в последнее время добилась прорывного прогресса в области медицинских технологий. Инновационная технология, возглавляемая профессором Ци Кевином из Школы инженерии, направлена на достижение точного анализа одноклеточных без традиционных методов маркировки посредством подхода генеративного искусственного интеллекта, тем самым значительно повышая эффективность и точность диагностики рака.
Технология Cytomad продемонстрировала выдающуюся эффективность в совместном тестировании в медицинской школе Университета Гонконга Ли Ка-Шинг и больнице Мэри, особенно при оценке пациентов с раком легких. Автоматически исправляя несоответствия в процессе визуализации, эта технология не только улучшает ясность изображения, но и извлекает ключевую информацию, которую трудно обнаружить в прошлом, обеспечивая более надежную поддержку данных для медицинских решений.
Традиционные методы визуализации клеток обычно требуют окрашивания и маркировки образцов клеток, процесс, который требует много времени и громоздкого. Cytomad полностью изменил эту ситуацию, устраняя эти утомительные шаги, упрощая процесс подготовки образца и значительно ускоряя процесс диагностики. Модель AI может преобразовать стандартные изображения ярких полевых действий в более подробные представления, выявляя клеточные свойства, которые обычно трудно анализировать.
В настоящее время многие методы визуализации клеток полагаются на медленные и дорогие процессы, которые могут задержать критические решения по лечению. Напротив, Cytomad предоставляет альтернативу без тегов, которая не только снижает затраты, но и поддерживает высокую степень точности. Используя генеративный ИИ, система преобразует низкоконтрастные изображения с ярким полем в более информативные визуализации, глубоко анализируя морфологию клеток без химического окрашивания.
Еще одна проблема в визуализации клеток - это вариация, введенная в результате различий между конфигурацией устройства и протоколами изображения, а именно «пакетическим эффектом». Это несоответствие может препятствовать точной интерпретации биологии. Многие существующие решения машинного обучения полагаются на предопределенные предположения данных, ограничивая их адаптивность. Цитомад, однако, не требует предопределенных ограничений данных, что позволяет получить более объективную и обобщенную обработку анализа клеточного изображения.
Преимущество системы Cytomad заключается в ее сверхскоростной технологии оптической визуализации, которая может каждый день собирать миллионы изображений клеток. Эта высокопроизводительная способность ускоряет обучение, оптимизацию и реализацию моделей ИИ. Исследовательская группа надеется использовать эту технологию для дальнейшего улучшения биомедицинских решений биомедицинской визуализации. Способность быстро обрабатывать большие количества клеточных данных делает Cytomad мощным инструментом в клинических приложениях и медицинских исследованиях.
В дополнение к диагностике рака легких, цитомад может также ускорить обнаружение лекарств и сократить время, необходимое для процесса скрининга. Комбинация эффективной визуализации и анализа, управляемого AI, обеспечивает более эффективную альтернативу традиционным методам. Ожидается, что быстрая оценка ответов клеток на лечение улучшит график разработки лекарств и, таким образом, принесет ценность фармацевтическим исследованиям.
В долгосрочной перспективе исследовательская группа надеется расширить применение Cytomad в сфере прогнозирующего медицинского обслуживания, планируя обучать модели для выявления ранних признаков рака и других заболеваний. Будущие разработки могут сосредоточиться на интеграции системы в клиническую практику, чтобы обеспечить мониторинг пациентов в реальном времени и персонализированное планирование лечения. ИИ может анализировать массовые данные и захватывать тонкие клеточные изменения, что может улучшить способность обнаруживать раннее заболевание и, таким образом, улучшить эффект лечения пациентов.
Чтобы провести исследование, команда ищет финансовую поддержку для отслеживания пациентов с раком легких в трехлетнем клиническом испытании, чтобы отслеживать результаты с использованием A-усиленной A-A-A-A-Acered Imaging. Ожидается, что это исследование будет способствовать более широкому применению ИИ в медицинской диагностике и повысит эффективность и масштабируемость медицинских решений.
Бумага: https://advanced.onlinelibrary.wiley.com/doi/full/10.1002/advs.202307591
Ключевые моменты:
** Исследовательская группа разработала Cytomad, новый инструмент для изображений, управляемый AI, который может повысить точность и скорость диагностики рака. **
** Cytomad упрощает диагностический процесс с помощью автоматической коррекции и анализа изображений. **
** Эта технология не только подходит для обнаружения рака легких, но и ускоряет обнаружение лекарств и, как ожидается, будет применяться к более широкому прогнозному медицине в будущем. **