斯坦福大学医学院的研究人员开发了一种人工智能模型，旨在改善胶质母细胞瘤的诊断和治疗，胶质母细胞瘤是一种特别侵袭性的脑癌。
胶质母细胞瘤由于其高度可变的细胞组成，给医疗专业人员带来了独特的挑战。
生物医学信息学和数据科学副教授Olivier Gevaert强调了治疗胶质母细胞瘤的复杂性，他说：“由于这种疾病的异质性，科学家们还没有找到解决它的好方法。
这个ai模型旨在通过分析胶质母细胞瘤组织的染色图像来评估其特征，包括肿瘤的侵袭性和基因构成，以缓解这一问题。
吉瓦特实验室的郑元宁，描述人工智能系统被称为“一种医生的决策支持系统”。
该模型可以帮助临床医生识别具有细胞特征的患者，指示更具侵袭性的肿瘤，并标记他们进行快速随访。it C绘制了更详细的肿瘤地图，揭示了细胞之间的相互作用以及这些相互作用与患者预后的关系。
Gevaert解释说：“该模型显示了哪些细胞喜欢在一起，哪些细胞不想交流，以及这与患者结果的关系。
例如，该模型发现，被称为星形胶质细胞的特定细胞的聚集表明癌症更具侵略性。这些见解可能有助于设计更有效的胶质母细胞瘤治疗方法。
郑希望该模型也能作为术后评估工具。该模型显示，肿瘤细胞表现出缺氧迹象，通常与更差的癌症结局相关。
郑说：通过照亮组织学染色的手术样本中的缺氧细胞，该模型可以帮助外科医生了解大脑中可能剩下多少癌细胞，以及手术后多久才能恢复治疗。
虽然仍处于研究阶段，但该模型有可能应用于其他癌症，如乳腺癌或肺癌。
郑总结道，“我认为这些多模式的数据整合可以塑造未来个性化医疗的进步。”
目前，他们的模型的概念验证版本，名为GBM360，可供研究人员测试和上传诊断图像，以预测胶质母细胞瘤患者的预后。
然而，郑先生赶紧补充说，该模型仍处于研究阶段，并没有在真正的临床环境中使用。
更多关于研究
该研究使用人工智能从现有患者数据中解释胶质母细胞瘤亚型，帮助临床医生确定不同患者的疾病预后和发展。
它的工作原理如下：
- 数据集成研究人员首先整合了多种形式的数据，包括单细胞RNA测序和空间转录组学，以及胶质母细胞瘤患者的临床结果。这为开发机器学习（ML）模型提供了一个强大的数据集。
- 模型开发：该团队开发了GBM-CNN，这是一种专门的深度学习模型，旨在解释组织学图像。该模型被训练来预测胶质母细胞瘤细胞的不同转录亚型，使用整合的数据进行验证。
- 大规模分析：经过培训，使用GBM-CNN分析了410名患者的4000多万个组织点，创建了高分辨率的细胞地图。分析显示，每个肿瘤中都存在三到五种恶性亚型。
- 与临床数据的相关性：然后将细胞图谱与患者临床数据相结合。研究发现，某些细胞成分与较差的患者预后有关。
- 验证和测试为了证实这些发现，开发了一个二级模型来预测患者预后，基于其他诊断图像。该模型证实了最初的发现，显示了细胞结构和患者生存率之间的关联。
人工智能正在大大加速数据驱动的医疗保健方法，支持MRI扫描，眼科疾病诊断和复杂的脑机接口，仅举其众多应用中的几个。
