英国的研究人员使用人工智能(AI)工具来检测卵巢癌患者活检样本中的微小异常细胞簇 ——这些细胞的存在表明该疾病更具攻击性。
这项发表在《Nature Communications》上的研究报告使用了人工智能来分析来自514名女性的卵巢癌组织样本,总共观察了近1.5亿个细胞的形状。
癌症研究所计算机病理团队负责人、这篇论文的高级作者Yinyin Yuan博士表示:“我们开发出了一种简单的新型计算机测试,可以识别患有非常具有侵袭性的卵巢癌的女性,因此可以根据她们的需求量身定制治疗方案。”
人工智能工具扫描肿瘤细胞的形状和内容,特别是观察细胞核,即包含DNA的细胞部分。在大多数细胞中,细胞核是模糊的圆形或椭圆形,但研究人员在一些卵巢癌样本中发现了具有畸形细胞核的小斑块。
在肿瘤中具有这些变形细胞簇的女性患有非常具有侵袭性的疾病,五年存活率仅为15%,而没有这些畸形细胞核的患者的五年存活率为53%。
通过深入研究,他们分析了这些异常细胞的斑块,发现它们具有较低水平的DNA修复基因,包括BRCA1——遗传性乳腺癌和卵巢癌患者常常存在缺陷的基因之一。
这些缺陷中的许多缺陷可以通过DNA测序,在DNA代码中识别出这些问题,但是在某些情况下,还有其他原因导致DNA修复基因水平较低,这些原因可能会被测序遗漏,但有可能通过人工智能测试被检查出来。
这一新发现也可能对患有更具侵袭性卵巢癌的女性患者的治疗有影响。PARP抑制剂olaparib目前已获FDA批准用于乳腺癌患者的BRCA基因突变,但新的人工智能检测可能能够识别出那些没有突变的患者,但BRCA水平较低的患者也许可以从这种药物或者其他类似的治疗方法中获益。
Yuan表示:“使用这项新测试为我们提供了一种检测肿瘤的方法,这些肿瘤在修复DNA的能力方面存在缺陷,而这些缺陷无法通过基因检测确定。它可以与基因检测同时用于识别可以从靶向DNA修复缺陷等替代治疗方案(如PARP抑制剂)中受益的患者。”
除了DNA修复方面的缺陷外,研究人员还发现,免疫细胞无法到达具有畸形细胞核的细胞簇,这表明也许能够逃避免疫系统是导致患有这种卵巢囊肿的患者预后效果比没有畸形簇的患者差很多的原因。
Yuan 表示:“我们的测试还显示,具有这些畸形细胞核簇的卵巢肿瘤已经进化出一种逃避免疫系统的新方法,因此有可能针对这种机制,使用新形式的免疫疗法对其进行靶向治疗。”
进一步分析这些聚类,研究小组发现他们有一种高水平的蛋白质galectin-3,已知其会导致T淋巴细胞死亡,这是免疫系统控制癌症的重要组成部分,但需要更多的工作才能弄清楚这是否是保持这些畸形细胞群在免疫系统面前“隐形”的主要因素。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。