medCLOUD › Aktualności

Sztuczna inteligencja dekoduje zmiany w tkankach trzustki u osób z cukrzycą typu 2

Międzynarodowy zespół badawczy opracował metodę AI do wizualizacji subtelnych zmian w tkankach trzustki osób z cukrzycą typu 2.

Międzynarodowy zespół badawczy, kierowany przez instytucje z Niemieckiego Centrum Badań nad Cukrzycą (DZD), opracował podejście oparte na sztucznej inteligencji do wizualizacji subtelnych zmian w tkankach trzustki osób z cukrzycą typu 2. Łącząc obrazowanie o wysokiej rozdzielczości z uczeniem głębokim oraz wyjaśnialną AI, badacze odkryli morfologiczne wzorce, które dotąd pozostawały niewidoczne w rutynowej patologii.

Na całym świecie ponad 500 milionów ludzi cierpi na cukrzycę typu 2, przewlekłą chorobę często związana z poważnymi powikłaniami, takimi jak choroby sercowo-naczyniowe, neuropatia i niewydolność nerek. Chociaż badania histopatologiczne tkanki trzustkowej są kluczowe w badaniach nad tą chorobą, trudno jest wyciągnąć wiarygodne wnioski na temat stanu glikemii danej osoby wyłącznie na podstawie konwencjonalnej mikroskopii.

Subtelne zmiany strukturalne związane z upośledzoną sekrecją insuliny i dysfunkcją komórek beta często są zbyt subtelne, aby dostrzec je gołym okiem. W rezultacie wczesne zmiany tkankowe i mechanizmy prowadzące do choroby mogą pozostać niezauważone.

Podstawa danych o wysokiej rozdzielczości

Aby rozwiązać ten problem, zespół badawczy stworzył obszerny zbiór danych z sekcji tkanki trzustkowej uzyskanych od żywych dawców. Próbki zostały przetworzone przy użyciu technik barwienia chromogennego i multiplex immunofluorescencji, co umożliwiło szczegółową wizualizację wielu markerów komórkowych w jednej sekcji tkanki.

Barwione próbki zostały następnie zdigitalizowane za pomocą mikroskopii gigapikselowej, co pozwoliło na uzyskanie obrazów o ultra wysokiej rozdzielczości, odpowiednich do analizy komputerowej. To podejście stanowiło podstawę dla rozwoju solidnych modeli AI zdolnych do identyfikacji złożonych sygnatur morfologicznych.

Wykorzystując skurczony zbiór obrazów, naukowcy wytrenowali algorytmy uczenia głębokiego do rozróżniania tkanki trzustkowej osób z cukrzycą typu 2 i bez niej. Modele wykazały wysoką dokładność w przewidywaniu statusu cukrzycy wyłącznie na podstawie cech histologicznych. Co ważne, modele AI nie działały jako „czarne skrzynki”. Dzięki technikom wyjaśnialnej AI badacze byli w stanie określić, które struktury tkankowe najsilniej wpływały na przewidywania modelu. Badanie zostało niedawno opublikowane w czasopiśmie Nature Communications.

Identyfikacja nowych biomarkerów strukturalnych

Po raz pierwszy analiza wskazała konkretne cechy anatomiczne i komórkowe, które wydają się odgrywać kluczową rolę w patofizjologii cukrzycy typu 2. Należą do nich:

Poprzez systematyczną analizę i kwantyfikację tych cech, zespół opisał je jako potencjalne biomarkery morfologiczne dla cukrzycy typu 2. To zapewnia mierzalne, oparte na tkankach ramy dla dalszych badań nad postępem choroby.

Wczesne wykrywanie i głębsze zrozumienie

Praca wspierana przez AI oferuje nowe spostrzeżenia dotyczące wczesnych i wcześniej trudnych do wykrycia zmian w trzustce związanych z cukrzycą typu 2. Oprócz poprawy dokładności klasyfikacji, podejście przyczynia się do bardziej szczegółowego zrozumienia procesów biologicznych leżących u podstaw dysfunkcji komórek beta i upośledzonej regulacji insuliny.

Dla praktyki klinicznej takie osiągnięcia mogą ostatecznie otworzyć drogę do dokładniejszych diagnostyk i ukierunkowanych interwencji. Dla badań otwierają nowe perspektywy na to, jak zaawansowane obrazowanie i sztuczna inteligencja mogą wspólnie przyspieszyć odkrycia w złożonych chorobach metabolicznych.

Przekładając dane z patologii gigapikselowej na klinicznie istotne spostrzeżenia, badanie to ilustruje, jak AI przekształca interfejs między cyfrową patologią a badaniami nad zdrowiem metabolicznym.

Urządzenia noszone z AI i opieka nad cukrzycą

Urządzenia noszone wzbogacone o AI szybko zmieniają sposób, w jaki ludzie zarządzają cukrzycą typu 2 i stanem przedcukrzycowym. W ubiegłym roku przegląd meta przeprowadzony przez Uniwersytet w Buffalo dostarczył najobszerniejszego przeglądu dotychczas urządzeń noszonych wzbogaconych o AI w opiece nad cukrzycą typu 2 i stanem przedcukrzycowym. Analizując 60 wysokiej jakości badań z tysięcy publikacji, badacze zbadali urządzenia takie jak ciągłe monitory glukozy (CGM), urządzenia do śledzenia aktywności i multimodalne biosensory. AI znacznie rozszerza rolę CGM, umożliwiając ciągłe monitorowanie, analizę trendów i prognozowanie glukozy nawet do dwóch godzin naprzód. To wspiera bardziej proaktywne zarządzanie i może pomóc w zapobieganiu postępowi choroby.

Przegląd pokazuje stały potencjał poprawy kontroli glikemicznej, spersonalizowanego doradztwa dotyczącego stylu życia oraz zmniejszenia obciążenia klinicystów poprzez automatyczne filtrowanie danych. Jednak pozostają poważne wyzwania. Wiele systemów działa jako „czarne skrzynki”, co ogranicza zaufanie i użyteczność. Małe, niedostatecznie zróżnicowane zbiory danych oraz niespójne metodologie utrudniają uogólnienie wyników. Aby umożliwić szeroką adopcję, konieczne są poprawki w zakresie przejrzystości, jakości danych, integracji klinicznej, przystępności i dostępu.

Źródło: https://www.icthealth.org/news/ai-decodes-pancreatic-tissue-changes-in-type-2-diabetes

Źródło: www.icthealth.org

Cyberbezpieczeństwo w medycynie – monitoring SOC · Pakiety ochrony od 990 zł · Bezpłatna konsultacja