Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A inteligência artificial pode detectar AML com confiança alta

A inteligência artificial pode detectar um dos formulários os mais comuns do cancro de sangue - leucemia mielóide aguda (AML) - com confiança alta. Os pesquisadores no centro alemão para as doenças de Neurodegenerative (DZNE) e na universidade de Bona têm mostrado agora este em um estudo do prova--conceito. Sua aproximação é baseada na análise da actividade de gene das pilhas encontradas no sangue. Usada na prática, esta aproximação podia apoiar diagnósticos convencionais e possivelmente acelerar o começo da terapia. Os resultados de pesquisa foram publicados no jornal “iScience”.

A inteligência artificial é um assunto muito discutido na medicina, especialmente no campo dos diagnósticos.

Nós apontamos investigar o potencial com base em um exemplo específico. Porque isto exige grandes quantidades de dados, nós avaliamos dados na actividade de gene dos glóbulos. Os estudos numerosos foram realizados neste assunto e os resultados estão disponíveis através das bases de dados. Assim, há uma associação de dados enorme. Nós recolhemos virtualmente tudo que está actualmente disponível.”

Prof. Joachim Schultze, um líder do grupo de investigação no DZNE e na cabeça do departamento para a genómica e Immunoregulation no instituto dos CAIS da universidade de Bona

Impressão digital da actividade de gene

Schultze e seus colegas centraram-se sobre o “transcriptome”, que é um tipo da impressão digital da actividade de gene. Em cada pilha, segundo sua condição, somente determinados genes “são ligados realmente”, que é reflectida em seus perfis da actividade de gene. Tais dados - derivados das pilhas em amostras e em medir de sangue muitos milhares de genes - foram analisados exactamente no estudo actual. “O transcriptome guardara a informação importante sobre a condição das pilhas. Contudo, os diagnósticos clássicos são baseados em dados diferentes. Nós quisemos conseqüentemente encontrar o que uma análise do transcriptome pode conseguir usando a inteligência artificial, aquela é dizer algoritmos orientáveis,” disse Schultze, que é membro conjunto Bona-baseado “de ImmunoSensation do” de excelência. “A longo prazo, nós pretendemos aplicar esta aproximação a uns assuntos mais adicionais, em particular no campo da demência.”

O estudo actual focalizado em AML. Sem tratamento adequado, este formulário da leucemia conduz à morte dentro das semanas. AML é associado com a proliferação das pilhas patològica alteradas da medula, que podem finalmente entrar na circulação sanguínea. Finalmente as pilhas saudáveis e as pilhas do tumor derivam no sangue. Todas estas pilhas exibem os testes padrões típicos da actividade de gene, que todos foram considerados na análise. Os dados de mais de 12.000 amostras de sangue - estas veio de 105 estudos diferentes - foram levados em consideração: o conjunto de dados o maior até agora para um metastudy em AML. Aproximadamente 4.100 destas amostras de sangue derivadas dos indivíduos diagnosticados com AML, permanecendo tinham sido tomadas dos indivíduos com outras doenças ou dos indivíduos saudáveis.

Grau de sucesso alto

Os cientistas alimentaram suas peças dos algoritmos desta série de dados. A entrada incluiu a informação sobre se uma amostra veio de um paciente de AML ou não. “Os algoritmos procurararam então o transcriptome por testes padrões doença-específicos. Este é um processo pela maior parte automatizado. Chamou a aprendizagem de máquina,” disse Schultze. Baseado neste reconhecimento de padrões, uns dados mais adicionais foram analisados e classificados pelos algoritmos, isto é categorizado em amostras com AML e sem AML. “Naturalmente, nós conhecemos a classificação enquanto foi alistada nos dados originais, mas o software não fez. Nós verificamos então o grau de sucesso. Estava acima de 99 por cento para alguns dos métodos aplicados. De facto, nós testamos vários métodos do repertório da aprendizagem de máquina e da inteligência artificial. Havia realmente um algoritmo que era particularmente bom, mas o outro era próximo atrás.”

Aplicação na prática?

Posto na aplicação, este método poderia apoiar diagnósticos convencionais e a ajuda para salvar custos, disse Schultze. “Em princípio, uma amostra de sangue tomada pelo médico de família e enviada a um laboratório para a análise podia bastar. Eu supor que o custo seria menos de 50 euro.” Os diagnósticos clássicos de AML incluem uma variedade de métodos. Alguma destes custou alguns cem euro pela corrida, Schultze notou. “Contudo, nós não desenvolvemos ainda um teste praticável. Nós mostramos somente que a aproximação trabalha em princípio. Assim nós colocamos o fundamento para desenvolver um teste.”

Schultze sublinhou que o diagnóstico de AML continuará a exigir no futuro médicos especializados. “O alvo é fornecer os peritos uma ferramenta que os apoie em seu diagnóstico. Além, muitos pacientes atravessam uma odisseia real até eles terminam finalmente acima com um especialista e obtêm um diagnóstico.” Porque nas fases iniciais os sintomas de AML podem se assemelhar àqueles de um frio ruim. Contudo, AML é uma doença risco de vida que deva ser tratada o mais rapidamente possível. “Com uma análise de sangue, como parece possível com base em nosso estudo, é concebível que o médico de família já esclareceria uma suspeita de AML. E quando a suspeita é confirmada, o paciente é referido um especialista. Possivelmente, o diagnóstico aconteceria então mais cedo do que faz agora e a terapia poderia começar mais cedo.”

Source:
Journal reference:

Warnat-Herresthal, S., et al. (2019) Scalable prediction of acute myeloid leukemia using high-dimensional machine learning and blood transcriptomics. iScience. doi.org/10.1016/j.isci.2019.100780.