Intelligenza artificiale Studio dall’Università di Losanna.
Uno studio pubblicato su Nature Machine Intelligence introduce un modello avanzato di intelligenza artificiale (AI) in grado di creare colorazioni virtuali del tessuto canceroso. Lo studio, co-diretto da scienziati delle Università di Losanna e Berna, rappresenta un importante passo avanti nel miglioramento dell’analisi patologica e della diagnosi del cancro.
Grazie alla combinazione di tecniche computazionali innovative, un team di informatici, biologi e clinici guidato da Marianna Rapsomaniki dell’Università di Losanna e Marianna Kruithof-de Julio dell’Università di Berna ha sviluppato un nuovo approccio all’analisi del tessuto canceroso.
Spinti dalla voglia di superare la mancanza di dati sperimentali, una sfida che spesso i ricercatori devono affrontare quando lavorano con tessuti limitati di pazienti, gli scienziati hanno creato “VirtualMultiplexer”: un modello di intelligenza artificiale (IA) che genera immagini virtuali delle colorazioni diagnostiche dei tessuti.
Colorazione virtuale: una nuova frontiera nella ricerca sul cancro
Utilizzando l’intelligenza artificiale generativa, lo strumento crea immagini accurate e dettagliate di un tessuto canceroso che imitano l’aspetto della sua colorazione per un dato marcatore cellulare. Tali coloranti specifici possono fornire informazioni importanti sullo stato del cancro di un paziente e svolgere un ruolo importante nella diagnosi.
“L’idea è che sia necessaria solo una colorazione effettiva del tessuto, effettuata in laboratorio come parte di una patologia di routine, per poi simulare quali cellule in quel tessuto risulteranno positive per diversi altri marcatori più specifici”, spiega Rapsomaniki, informatico ed esperto di intelligenza artificiale presso il Biomedical Data Science Center dell’Università di Losanna e dell’Ospedale universitario di Losanna, nonché coautore corrispondente dello studio.
La tecnologia riduce la necessità di eseguire analisi di laboratorio ad alta intensità di risorse ed è intesa a integrare le informazioni ottenute dagli esperimenti. “Il nostro modello può essere molto utile quando il materiale tissutale disponibile è limitato o quando le colorazioni sperimentali non possono essere eseguite per altri motivi“, aggiunge Pushpak Pati, il primo autore dello studio.
Comprendere il metodo: traduzione contrastiva non appaiata
Per comprendere la metodologia di base denominata “traduzione contrastiva non appaiata”, si può immaginare un’app per cellulare che predice come apparirà un giovane in età avanzata.
Sulla base di una foto attuale, l’app produce un’immagine virtuale che simula l’aspetto futuro di una persona. Ciò avviene elaborando informazioni da migliaia di foto di altri individui anziani non imparentati. Man mano che l’algoritmo impara “come appare una persona anziana”, può applicare questa trasformazione a qualsiasi foto.
Allo stesso modo, il VirtualMultiplexer trasforma una foto di una colorazione che distingue ampiamente diverse regioni all’interno di un tessuto canceroso in immagini che raffigurano quali cellule in quel tessuto sono positive per una data molecola marcatore. Ciò diventa possibile addestrando il modello AI su numerose immagini di altri tessuti, su cui questi coloranti sono stati eseguiti sperimentalmente.
Una volta appresa la logica che definisce un’immagine colorata nella vita reale, il VirtualMultiplexer è in grado di applicare lo stesso stile a una determinata immagine di tessuto e di generare una versione virtuale della tinta desiderata.
Prevenire le allucinazioni: garantire le prestazioni e la rilevanza clinica
Gli scienziati hanno applicato un rigoroso processo di convalida per garantire che le immagini virtuali siano clinicamente significative e non solo output generati dall’intelligenza artificiale che sembrano plausibili ma sono in realtà false invenzioni, definite “allucinazioni”. Hanno testato quanto bene le immagini artificiali prevedano i risultati clinici, come la sopravvivenza dei pazienti o la progressione della malattia, rispetto ai dati esistenti provenienti da tessuti colorati nella vita reale.
Il confronto ha confermato che i coloranti virtuali non sono solo accurati, ma anche clinicamente utili, il che dimostra che il modello è affidabile e degno di fiducia.
Andando più a fondo, i ricercatori hanno sottoposto il VirtualMultiplexer al cosiddetto test di Turing. Chiamato così in onore del padre fondatore dell’IA moderna, Alan Turing, questo test determina se un’IA può produrre output indistinguibili da quelli creati dagli esseri umani.
Chiedendo a patologi esperti di distinguere le immagini colorate tradizionali dalle colorazioni generate dall’intelligenza artificiale, gli autori hanno scoperto che le creazioni artificiali sono percepite come quasi identiche alle immagini reali, il che dimostra l’efficacia del loro modello.
Approccio multiscala: un importante progresso
Una delle principali innovazioni che contraddistingue il VirtualMultiplexer è il suo approccio multiscala. I modelli tradizionali spesso si concentrano sull’esame del tessuto su scala microscopica (livello cellulare) o macroscopica (tessuto complessivo).
Il modello proposto dal team di Losanna e Berna considera tre diverse scale della struttura di un tessuto canceroso: il suo aspetto e la sua architettura globali, le relazioni tra cellule vicine e le caratteristiche dettagliate delle singole cellule. Questo approccio olistico consente una rappresentazione più accurata dell’immagine del tessuto.
Implicazioni per la ricerca sul cancro e oltre
Lo studio segna un significativo progresso nella ricerca oncologica, integrando i dati sperimentali esistenti. Generando colorazioni simulate di alta qualità, VirtualMultiplexer può aiutare gli esperti a formulare ipotesi, stabilire le priorità degli esperimenti e migliorare la loro comprensione della biologia del cancro.
Marianna Kruithof-de Julio, responsabile dell’Urology Research Laboratory presso l’Università di Berna e co-autore corrispondente dello studio, vede un importante potenziale per applicazioni future. “Abbiamo sviluppato il nostro strumento utilizzando tessuti di persone affette da cancro alla prostata. Nel documento abbiamo anche dimostrato che funziona altrettanto bene per i tumori del pancreas, il che ci rende fiduciosi che possa essere utile per molti altri tipi di malattie“.
Leggi anche:L intelligenza artificiale rileva le malattie dalle immagini della retina
L’approccio innovativo ha anche il potenziale per supportare i cosiddetti modelli di intelligenza artificiale di base negli studi biologici. La potenza di tali modelli è la loro capacità di apprendere attraverso l’elaborazione di grandi quantità di dati in modo auto-supervisionato, consentendo loro di comprendere la logica alla base di strutture complesse e di acquisire la capacità di eseguire diversi tipi di attività.
“I dati disponibili per tessuti rari sono scarsi. Il VirtualMultiplexer può colmare queste lacune generando immagini realistiche rapidamente e senza costi, e quindi aiutare i futuri modelli di fondazione ad analizzare e descrivere le caratteristiche dei tessuti in più modi diversi. Ciò aprirà la strada a nuove scoperte nella ricerca e nella diagnosi”, conclude Rapsomaniki.
Fonte: Nature Machine Intelligence