Rheumatoid arthritis altípusok elkülönítése AI-vel

A Nature Communications folyóiratban augusztus 29-én jelent meg a Weill Cornell Medical College kutatóinak cikke, amelyben a mesterséges intelligenciát használták arra, hogy szövetminták, preparátumok alapján elkülönítse a rheumatoid arthritis (RA) három fő fenotípusát (pauci-immun, diffúz, limfoid), amelyek eltérő etiológiájúak, így különböző célzott kezeléseket igényelnek.

Dr. Fei Wang, a cikk első szerzője szerint: “Az automatizált eszköz a klinikai gyakorlatban egy napon pontosabb és hatékonyabb betegségdiagnózishoz, valamint személyre szabott kezeléshez vezethet a rheumatoid arthritis terápiájában. Ez is egy újabb jel arra, hogy a gépi tanulás a jövőben számos betegség kórtani elemzését képes lesz átalakítani. Jelenleg több olyan kutatás van folyamatban, amelyek során gépi tanuláson alapuló eszközöket fejlesztenek a patológiai preparátumok automatikus elemzéséhez az onkológia területén. Mi azon dolgozunk, hogy a technológia alkalmazását más klinikai szakterületekre is kiterjesszük.”

A rheumatoid arthritis három altípusának gyors és hatékony differenciálása segíthet az orvosoknak az adott beteg esetében a lehető leginkább hatékony terápia kiválasztásában. A mostani gyakorlatban a patológusok manuálisan osztályozzák az arthritis altípusait a biopsziás minták sejt- és szövetjellemzőinek azonosításával - azonban ez egy lassú folyamat. A most közölt vizsgálatban a kutatócsoport először egér modellszervezetekből származó RA mintákon tanította be a gépi tanulásos (machine learning) algoritmust. Ezt követően az eszközt egy második mintasorozaton validálták. Az eredmények szerint az algoritmus nemcsak az RA altípusait volt képes azonosítani, hanem betekintést nyújtott az egereken végzett kezelések hatásaiba is: ilyen volt például, hogy a terápia alkalmazását követő hat héten belül csökkent a porcok pusztulásának üteme.

Ezután az Accelerating Medicines Partnership Rheumatoid Arthritis kutatási konzorciumból származó humán biopsziás mintákon alkalmazták az eszközt, és az eredmények szerint az eszköz emberi mintákon is hatékonyan és eredményesen volt képes az altípusok tipizálására. A kutatók további betegmintákon folytatják az algoritmus validálását, és azt fontolgatják, hogyan lehetne a legjobban beépíteni ezt az új eszközt a patológusok mindennapi munkafolyamataiba.

A technológia új betekintést nyújthat a betegségek progressziójába, mivel olyan váratlan szöveti elváltozásokat is észlel, amelyeket az emberi szem esetleg nem vesz észre. Azáltal pedig, hogy a patológusok számára időt takarít meg az altípusok meghatározásával, az eszköz csökkentheti az RA különböző altípusaiban szenvedő betegek kezeléseit kutató klinikai vizsgálatok költségeit, valamint növelheti azok hatékonyságát.

A kutatócsoport hasonló eszközök kifejlesztésén dolgozik az osteoarthritis, a porckorong-degeneráció és a tendinopathia területén. Emellett Dr. Wang intézete a betegségek további altípusainak meghatározását, differenciálását is vizsgálja szélesebb körű orvosbiológiai információk alapján. Nemrégiben például a gépi tanulásos módszerrel a Parkinson-kór három altípusát különítették el.

Írásunk az alábbi közlemények alapján készült:

Machine learning helps identify rheumatoid arthritis subtypes

Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue

Irodalmi hivatkozás:

Richard D. Bell et al, Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue, Nature Communications (2024). DOI: 10.1038/s41467-024-51012-6