AI xác định các phân loại Parkinson bằng cách sử dụng hình ảnh tế bào gốc.

Tóm tắt: Các nhà nghiên cứu đã cho phép học máy dự đoán chính xác các loại phân loại của bệnh Parkinson bằng cách sử dụng hình ảnh tế bào gốc. Bước đột phá này cho thấy mô hình máy tính phân loại được bốn loại phân loại của bệnh Parkinson, với độ chính xác tối đa đạt 95%. Điều này có thể cách mạng hóa y học cá nhân và hỗ trợ nghiên cứu thuốc mục tiêu hơn cho Parkinson.

Sự kiện quan trọng:

Nguồn: Viện Francis Crick

Các nhà nghiên cứu tại Viện Francis Crick và Viện UCL Queen Square of Neurology, làm việc cùng công ty công nghệ Faculty AI, đã chứng minh rằng học máy có thể dự đoán chính xác các loại phân loại của bệnh Parkinson bằng cách sử dụng hình ảnh tế bào gốc được thu thập từ bệnh nhân.

Công trình nghiên cứu của họ, được công bố hôm nay trên Tạp chí Nature Machine Intelligence, đã chứng minh rằng các mô hình máy tính có thể phân loại chính xác bốn loại phân loại của bệnh Parkinson, với một loại đạt đến độ chính xác 95%. Điều này có thể mở ra con đường cho y học cá nhân hóa và nghiên cứu thuốc mục tiêu.

Bệnh Parkinson là một tình trạng suy giảm thần kinh tác động đến chuyển động và nhận thức. Triệu chứng và sự tiến triển của bệnh thay đổi từ người này sang người khác do sự khác biệt trong cơ chế cơ bản gây ra bệnh.

Cho đến nay, chưa có cách nào phân loại chính xác từng phân loại con, điều này có nghĩa là mọi người được chẩn đoán không cụ thể và không luôn có quyền truy cập vào các phương pháp điều trị, hỗ trợ hoặc chăm sóc đặc biệt.

Bệnh Parkinson liên quan đến việc gập sai các protein chính và sự chức năng không tốt trong việc loại bỏ mitochondria bị lỗi, nguồn cung cấp năng lượng trong tế bào. Đa số trường hợp bệnh Parkinson bắt đầu ngẫu nhiên, nhưng một số trường hợp có thể liên quan đến đột biến di truyền.

Các nhà nghiên cứu đã tạo ra tế bào gốc từ tế bào của bệnh nhân và tạo ra bốn loại khác nhau của bệnh Parkinson bằng cách sử dụng hóa chất, hai loại liên quan đến các con đường dẫn đến sự tích tụ độc hại của protein có tên là α-synuclein và hai loại liên quan đến các con đường dẫn đến mitochondria không hoạt động, để tạo ra một 'mô hình não người trong từng đĩa'.

Sau đó, họ đã chụp hình các mô hình bệnh một cách chi tiết và đánh dấu các thành phần tế bào chính bao gồm lysosome, một cơ quan liên quan đến phân hủy các phần tử cũ hỏng của tế bào. Các nhà nghiên cứu đã "đào tạo" một chương trình máy tính để nhận ra từng phân loại con bệnh, và sau đó chương trình có thể dự đoán phân loại con khi được trình bày với những hình ảnh mà nó chưa từng nhìn thấy trước đó.

Các mitochondria và lysosome là những đặc điểm quan trọng nhất trong việc dự đoán phân loại chính xác - xác nhận vai trò của chúng trong sự phát triển của bệnh Parkinson - nhưng các khu vực khác của tế bào như nhân cũng được xem là quan trọng, cũng như các khía cạnh của hình ảnh mà chúng ta vẫn chưa thể giải thích được.

James Evans, sinh viên nghiên cứu tiến sĩ tại Viện Crick và UCL, cùng với Karishma D’Sa và Gurvir Virdi, người cùng là tác giả chủ yếu của công trình này, nói: "Bây giờ chúng ta sử dụng các kỹ thuật hình ảnh tiên tiến hơn, chúng ta tạo ra lượng dữ liệu rất lớn, trong đó một phần lớn bị bỏ qua khi chúng ta chọn thủ công một số đặc điểm quan tâm.

"Sử dụng trí tuệ nhân tạo trong nghiên cứu này đã cho phép chúng tôi đánh giá một số lượng lớn các đặc điểm tế bào và đánh giá sự quan trọng của những đặc điểm này trong việc phân biệt các phân loại con bệnh. Sử dụng học sâu, chúng tôi có thể trích xuất nhiều thông tin hơn từ hình ảnh của chúng tôi so với phân tích hình ảnh thông thường. Bây giờ chúng tôi hy vọng mở rộng phương pháp này để hiểu cách các cơ chế tế bào này đóng góp vào các phân loại con bệnh Parkinson khác."

Sonia Gandhi, phó giám đốc nghiên cứu và nhóm trưởng nhóm Nghiên cứu Sinh học suy giảm thần kinh tại Viện Crick, nói: "Chúng tôi hiểu nhiều quá trình đang gây bệnh Parkinson trong não của người. Tuy nhiên, trong khi họ còn sống, chúng tôi không có cách nào biết cơ chế nào đang xảy ra và do đó không thể đưa ra điều trị chính xác.

"Hiện tại, chúng ta chưa có phương pháp điều trị có tác động lớn đối với sự tiến triển của bệnh Parkinson. Sử dụng mô hình tế bào thần kinh riêng của bệnh nhân và kết hợp với số lượng lớn hình ảnh, chúng tôi đã tạo ra một thuật toán để phân loại một số phân loại cụ thể - một phương pháp mạnh mẽ có thể mở ra cánh cửa để xác định các phân loại con bệnh trong cuộc sống.

"Đưa điều này một bước tiến xa hơn, nền tảng của chúng ta sẽ cho phép chúng tôi kiểm tra thuốc trên các mô hình tế bào gốc và dự đoán xem tế bào não của một bệnh nhân có khả năng phản ứng với một loại thuốc không, trước khi tham gia vào các thử nghiệm lâm sàng. Hi vọng là một ngày nào đó điều này có thể dẫn đến các thay đổi cơ bản trong cách chúng ta cung cấp y học cá nhân hóa."

Dự án này đã được phát triển trong thời gian gián đoạn nghiên cứu tại phòng thí nghiệm trong đại dịch - toàn bộ nhóm đã tham gia một khóa học mã hóa t intensively, học cách lập trình bằng Python, phát triển những kỹ năng mà họ hiện đang áp dụng vào các dự án hiện tại.

James Fleming, Giám đốc Thông tin tại Crick, người đã làm việc với Faculty AI trên dự án này, nói: "Trí tuệ nhân tạo là công nghệ hấp dẫn và mạnh mẽ, nhưng thường trở nên khó hiểu vì những lời quảng cáo và ngôn ngữ chuyên ngành.

"Văn bản này được tạo ra nhờ sự hợp tác độc đáo với ngành công nghiệp của Faculty, để xem liệu một nhóm người mới bắt đầu với trí tuệ nhân tạo hoàn toàn có thể học và áp dụng các phương pháp tốt nhất trực tiếp vào khoa học của họ trong thời gian ngắn".

"Thành công của dự án này không chỉ chứng minh rằng họ có thể làm được điều đó, mở ra những hiểu biết mới trong quá trình, mà còn giúp thúc đẩy việc đầu tư vào mở rộng nhanh chóng của đội ngũ trí tuệ nhân tạo và kỹ sư phần mềm của chúng tôi, với hơn 25 dự án đang tiến hành tại các phòng thí nghiệm khác nhau trên toàn bộ Crick, với các dự án mới bắt đầu hàng tháng".

Các bước tiếp theo cho nhóm nghiên cứu là hiểu rõ các dạng phụ bệnh trong những người mắc bệnh do các đột biến di truyền khác, và xác định xem liệu có thể phân loại các trường hợp tự phát của bệnh Parkinson (tức là không có đột biến di truyền) theo cách tương tự hay không.

Về tin tức nghiên cứu về trí tuệ nhân tạo và bệnh Parkinson này

Nghiên cứu ban đầu: Mở truy cập miễn phí. "Dự đoán các dạng phụ cơ học của bệnh Parkinson bằng cách sử dụng mô hình tế bào gốc được thu được từ bệnh nhân" của James Evans và đồng nghiệp. Tạp chí Nature Machine Intelligence

Tóm tắt

Dự đoán các dạng phụ cơ học của bệnh Parkinson bằng cách sử dụng mô hình tế bào gốc được thu được từ bệnh nhân

Bệnh Parkinson là một bệnh thần kinh lưu động không thể chữa trị, phân loại lâm sàng khác nhau: khái niệm cơ bản là các cơ chế tế bào khác nhau gây ra bệnh trong từng người. Cho đến nay, chưa có cách nào xác định được cơ chế tế bào gây ra bệnh thoái hóa thần kinh trong suốt quá trình sống.

Chúng tôi phát triển một mô hình dựa trên học máy có thể dự đoán đồng thời sự hiện diện của bệnh và dạng phụ cơ học chính của nó trong các tế bào thần kinh của con người. Chúng tôi sử dụng công nghệ tế bào gốc để thu được tế bào thần kinh từ nhóm kiểm soát hoặc từ bệnh nhân, và tạo ra các dạng bệnh khác nhau thông qua kích thích hóa học hoặc sự hiện diện của đột biến.

Việc nhãn loại đa chiều fluorescent của bào quan đã được thực hiện trên tế bào kiểm soát khỏe mạnh và trên bốn dạng bệnh khác nhau, và cả các đặc trưng fluorescence của từng tế bào và hình ảnh đã được sử dụng độc lập để huấn luyện một loạt các bộ phân loại để xây dựng mạng thần kinh sâu.

Các bộ phân loại dựa trên các hồ sơ tế bào định lượng đạt độ chính xác 82%, trong khi các mạng thần kinh sâu dựa trên hình ảnh dự đoán tế bào kiểm soát và bốn dạng bệnh khác nhau với độ chính xác là 95%.

Các bộ phân loại được huấn luyện bằng học máy đạt được độ chính xác trên tất cả các dạng bệnh, sử dụng các đặc trưng của các bào quan như mitochondria với sự đóng góp bổ sung của các lysosome, xác nhận tầm quan trọng sinh học của các con đường này trong bệnh Parkinson.

Tất cả cùng nhau, chúng tôi cho thấy tiếp cận học máy áp dụng vào các tế bào được thu nhận từ bệnh nhân có độ chính xác cao trong việc dự đoán các dạng phụ bệnh, chứng minh tính khái niệm rằng tiếp cận này có thể cho phân loại cơ chế và các phương pháp y học chính xác hơn trong tương lai.