Visi iLive saturs ir medicīniski pārskatīts vai pārbaudīts, lai nodrošinātu pēc iespējas lielāku faktisko precizitāti.
Mums ir stingras iegādes vadlīnijas un tikai saikne ar cienījamiem mediju portāliem, akadēmiskām pētniecības iestādēm un, ja vien iespējams, medicīniski salīdzinošiem pārskatiem. Ņemiet vērā, ka iekavās ([1], [2] uc) esošie numuri ir klikšķi uz šīm studijām.
Ja uzskatāt, ka kāds no mūsu saturiem ir neprecīzs, novecojis vai citādi apšaubāms, lūdzu, atlasiet to un nospiediet Ctrl + Enter.
Zinātnieki ir izstrādājuši mākslīgo intelektu, lai klasificētu smadzeņu audzējus.
Pēdējā pārskatīšana: 02.07.2025
Austrālijas Nacionālās universitātes (ANU) pētnieki ir izstrādājuši jaunu mākslīgā intelekta rīku smadzeņu audzēju ātrākai un precīzākai klasificēšanai.
Saskaņā ar Dr. Dan-Thai Hoang teikto, precīza audzēju diagnosticēšana un klasificēšana ir kritiski svarīga pacientu efektīvai ārstēšanai.
"Pašreizējais zelta standarts dažādu smadzeņu audzēju veidu identificēšanai ir uz DNS metilēšanu balstīta profilēšana," sacīja Dr. Hoangs.
"DNS metilēšana darbojas kā slēdzis, kas kontrolē gēnu aktivitāti un nosaka, kuri gēni tiek ieslēgti vai izslēgti.
"Taču laiks, kas nepieciešams šāda veida testēšanas veikšanai, var būt būtisks trūkums, kas bieži vien prasa vairākas nedēļas vai ilgāk, kad pacientiem var būt nepieciešams ātri pieņemt lēmumus par terapiju."
Datu kopu un skaitļošanas darbplūsmas pārskats. Avots: Nature Medicine (2024). DOI: 10.1038/s41591-024-02995-8
"Turklāt šādi testi nav pieejami gandrīz visās pasaules slimnīcās."
Lai risinātu šos jautājumus, ANU pētnieki sadarbībā ar ASV Nacionālā vēža institūta ekspertiem ir izstrādājuši DEPLOY — metodi, kā paredzēt DNS metilēšanu un pēc tam klasificēt smadzeņu audzējus 10 galvenajos apakštipos.
DEPLOY izmanto pacienta audu mikroskopiskus attēlus, ko sauc par histopatoloģiskiem attēliem.
Modelis tika apmācīts un pārbaudīts ar lieliem datu kopumiem, kuros bija aptuveni 4000 pacientu no ASV un Eiropas, un rezultāti tika publicēti žurnālā Nature Medicine.
“Pārsteidzoši, bet DEPLOY sasniedza vēl nebijušu 95% precizitāti,” sacīja Dr. Hoangs.
“Turklāt, analizējot 309 īpaši grūti klasificējamu paraugu apakškopu, DEPLOY spēja sniegt diagnozi, kas bija klīniski nozīmīgāka nekā sākotnēji patologu sniegtā.”
"Tas uzsver DEPLOY potenciālo lomu nākotnē kā papildu instrumentu, kas papildina patologa sākotnējo diagnozi vai pat mudina veikt atkārtotu novērtējumu neatbilstību gadījumā."
Pētnieki uzskata, ka DEPLOY galu galā varētu izmantot, lai klasificētu citus vēža veidus.
Pētījuma rezultāti tika publicēti žurnālā Nature Medicine.