Машинное обучение позволяет выявлять различные типы ревматоидного артрита

Исследователи создали инструмент на основе машинного обучения, который может помочь в классификации подтипов ревматоидного артрита (РА). Это может приблизить учёных к разработке более эффективных методов лечения этого сложного заболевания.

Исследование, опубликованное в журнале Nature Communications, показывает, что технологии искусственного интеллекта и машинного обучения могут эффективно и результативно подтипировать образцы патологий у пациентов с РА.

Доктор Фей Ван (Fei Wang), профессор, сказал: «Наш инструмент автоматизирует анализ слайдов с патологиями, что однажды может привести к более точной и эффективной диагностике заболеваний и персонализированному лечению РА».

Доктор Ван и его коллеги работают над расширением использования этой технологии в других клинических специальностях.

В рамках последнего исследования доктор Ван объединился с докторами Ричардом Беллом (Richard Bell) и Лайонелом Ивашкивом (Lionel Ivashkiv) для автоматизации процесса подтипирования образцов тканей РА. Различение трёх подтипов РА может помочь клиницистам выбрать, какая терапия с наибольшей вероятностью будет эффективной для конкретного пациента.

В настоящее время патологоанатомы вручную классифицируют подтипы артрита, используя рубрику для определения характеристик клеток и тканей в образцах биопсии пациентов. Это медленный процесс, который увеличивает стоимость исследований и может привести к несогласованности действий между патологами.

Команда сначала обучила свой алгоритм на образцах РА от одной группы мышей, а затем проверила инструмент на втором наборе образцов. Этот инструмент также позволил по-новому взглянуть на эффекты лечения на мышах.

Затем исследователи применили этот инструмент на образцах биопсии пациентов от исследовательского консорциума по ревматоидному артриту Accelerating Medicines Partnership. Они показали, что инструмент может эффективно и результативно типировать клинические образцы человека.

Эта технология может дать новое представление об этом заболевании, обнаруживая неожиданные изменения в тканях, которые люди могут пропустить. Экономия времени патологоанатомов на подтипировании, этот инструмент может также снизить стоимость и повысить эффективность клинических испытаний.

Доктор Райну Каушал (Rainu Kaushal), сказал: «Благодаря интеграции слайдов патологии с клинической информацией этот инструмент демонстрирует растущее влияние искусственного интеллекта на развитие персонализированной медицины».

Команда также рассматривает возможность определения подтипов заболеваний на основе более широкой биомедицинской информации. Например, они продемонстрировали, что машинное обучение может различать три подтипа болезни Паркинсона.

Доктор Ван сказал: «Мы надеемся, что наши исследования послужат толчком к большему количеству вычислительных исследований по разработке инструментов машинного обучения для борьбы с большим количеством заболеваний».

Литература:
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

Запись Машинное обучение позволяет выявлять различные типы ревматоидного артрита впервые появилась Medical Insider.