Sztuczna inteligencja w onkologii: Nowy model personalizuje leczenie raka pęcherza moczowego

04/04/2025 07:30

Zdrowe życie, Sztuczna inteligencja onkologii model personalizuje leczenie pęcherza moczowego - zdjęcie, fotografia

Badania opublikowane w czasopiśmie "npj Digital Medicine" przedstawiają nowy model sztucznej inteligencji, który pomaga przewidzieć, jak pacjenci z rakiem pęcherza moczowego związanego z mięśniami, zareagują na chemioterapię. Model wykorzystuje dane z obrazowania nowotworów oraz analizy ekspresji genów, co pozwala na skuteczniejsze przewidywanie odpowiedzi na leczenie.

AI w leczeniu raka pęcherza moczowego

Rak pęcherza moczowego to zagrożenie zdrowotne, a terapia obejmująca chemioterapię nie zawsze przynosi oczekiwane efekty. Badania przeprowadzone przez naukowców z Weill Cornell Medicine wskazują na nowe możliwości w przewidywaniu skuteczności leczenia, wykorzystując sztuczną inteligencję (AI). Zespół badawczy opracował model, który łączy obrazowanie nowotworów oraz analizę ekspresji genów, oferując lepsze prognozy niż tradycyjne metody.

Zobacz także:

Nowoczesny test moczu pomoże wykryć raka pęcherza na wczesnym etapie

W ramach badań, zespół skorzystał z danych pochodzących z sieci SWOG Cancer Research Network, która projektuje i prowadzi badania kliniczne dotyczące raka. Naukowcy połączyli obrazy próbek nowotworowych z profilami ekspresji genów, które wskazują, które geny są aktywne lub nieaktywne w komórkach nowotworowych.

Reklama

Zobacz także:

Palacze mają większe ryzyko raka pęcherza moczowego

Dr Bishoy Morris Faltas, główny autor badania, wyjaśnia, że do analizy obrazów wykorzystano specjalistyczne metody AI, takie jak sieci neuronowe, które analizują sposób organizacji komórek rakowych, komórek odpornościowych i fibroblastów w obrębie guza. Połączenie danych z obrazowania z danymi genetycznymi, pozwoliło stworzyć model predykcyjny, który przewyższa inne podejścia oparte tylko na jednym źródle danych.

- Na skali od 0 do 1, gdzie 1 to idealne dopasowanie, a 0 oznacza całkowity brak trafności, nasz model multimodalny osiąga wartość bliską 0,8, podczas gdy modele jednostkowe, oparte tylko na jednym rodzaju danych, osiągają wartość około 0,6. To już samo w sobie jest ekscytujące, ale planujemy udoskonalić model, aby uzyskać jeszcze lepsze wyniki – mówi dr Fei Wang, współautor badania.

Reklama