Forscher an der Case Western Reserve University und Kollegen verwendeten " Big Data " Analytik , um vorherzusagen , ob ein Patient an aggressive triple -negative leiden Brustkrebs , Langsameren Krebserkrankungen oder nicht krebsartige Läsionen, die mit 95 Prozent Genauigkeit.
Wenn die kleinen Muster, die sie bei der Magnetresonanz -Bilder gefunden beweisen konsequent in weiteren Studien kann die Technik den Ärzten ermöglichen, ein zu verwenden MRT-Untersuchung mehr aggressive Krebserkrankungen früher zu diagnostizieren und schnell verfolgen diese Patienten für die Therapie . Ihre Arbeit wird online in der Zeitschrift Radiology veröffentlicht 1 .
Die Arbeit kommt nur zwei Monate nach der leitende Autor Anant Madabhushi und eine andere Gruppe von Forscher zeigten sie Unterschiede zwischen persistenten und behandelbaren Formen von Kopf- und Halskrebs durch Exposition gegenüber verursacht werden Humane Papillomaviren , Mit 87,5 Prozent Genauigkeit . In dieser Studie wurden die digitalen Bilder von Dias von Patiententumorenhergestellt .
Weiter oben, Madabhushi Labor vor kurzem eine $ 534.000 , 2-Jahres- Zuschuss von der Department of Defense , die Muster der indolent gegen aggressiven Krebs in der Lunge zu finden. Das Ziel ist es , das Vorhandensein von aggressiven Lungenkrebs diagnostiziert von CT-Scans allein.
" Buchstäblich , was wir versuchen zu tun ist, drücken Sie die Informationen , wir sind nicht in der Lage, gerade indem Sie ein Bild sehen," sagte Madabhushi , ein Professor für Biomedizinische Technik an der Case School of Engineering und Direktor des Center for Computational Imaging and Personalized Diagnostics .
Madabhushi arbeitete mit Shannon C. Agner an der Rutgers University und Mark A. Rosen , MD; Sarah Englander ; Mitchell D. Schnall , MD; Michael D. Feldman , MD; Paul Zhang , MD; und Carolyn Miles; MD, an der Universität von Pennsylvania, auf die Brustkrebsstudie .
Sie analysierten MR-Bilder von Brustläsionen von 65 Frauen. Die über hundert Gigabyte von Bilddaten von jedem Patienten gesiebt Forscher versuchen, Unterschiede , die die verschiedenen Untertypen von Mammakarzinomen voneinander unterscheiden zu finden.
Madabhushi und seine Kollegen festgestellt, dass Triple- negativen Krebs, gutartige Fibroadenom , die häufig fälschlicherweise für Triple- negativ ist, und zwei andere häufige Arten von Brustkrebs - Östrogen - Rezeptor-positiven (ER) und humanen epidermalen Wachstumsfaktor -Rezeptor- Typ-2 - postive (HER2 ) - spiegeln unterschiedliche Texturen , wenn Bilder mit Kontrastmittel verbessert.
Die Wissenschaftler mathematisch modelliert die Texturen , die als die Gewebe absorbieren kontrastverstärkenden Farbstoff angezeigt. Das Modell ergeben, dass Veränderungen über nur Millisekunden aufstrebenden triple -negative von gutartigen Läsionen . Die Forscher verwendeten maschinelles Lernen und Mustererkennungsverfahren , um bei der Diagnose zwischen den drei Arten von Krebs basierend auf Texturänderungen und andere quantitative Beweise unterstützen.
"Heute , wenn eine Frau oder ihr Arzt einen Knoten findet , eine Mammographie und dann eine Biopsie für die molekulare Analyse, die zwei Wochen oder bis zu einem Monat kann sie bekommt ", sagte Madabhushi . "Wenn wir vorhersagen, der Krebs triple -negative , können wir schnell zu verfolgen , den Patienten für die Biopsie und Behandlung. Vor allem in Fällen mit dreifach negativen Krebs, zwei bis vier Wochen gespeichert kann entscheidend sein . "
Für die drei Arten von Krebs , würde die frühe Diagnose ermöglichen eine schnelle und individuelle Behandlungen . ER und HER2 reagieren auf verschiedene Therapien. Ein MRI kann auch eine regelmäßige Screening-Gerät für Frauen, die Familiengeschichten dieser Krebsarten haben werden .
Mit viel die gleiche Wissenschaft, Madabhushi und Forscherkollegen von der Washington University entwickelt eine Möglichkeit, zwischen wiederkehrenden und behandelbaren Formen von einem bestimmten Kopf- und Halskrebs genannt humanen Papillomvirus bezogenen oropharyngealen Plattenepithelkarzinom unterschieden werden. Diese Arbeit wurde in diesem Jahr in der American Journal für Klinische Pathologie veröffentlicht . 2
" Die meisten Patienten sind in der Regel gute Ergebnisse haben, aber nur ein kleiner Teil - etwa 10 Prozent - nicht ", sagte er . "Es gibt nichts da draußen , um vorherzusagen , welche.
"Wir haben einen Algorithmus und fand Muster, die uns zwischen den beiden mit 80 bis 90 Prozent Genauigkeit zu unterscheiden erlaubt. "
Nach dem Scannen Biopsie und Tumor Resektion Dias von 160 Patienten in einen Computer fanden die Forscher sie Kerne der Krebszellen zu verwenden, um zu charakterisieren und messen Zellverteilung und Clustering Mustern.
Sie fanden heraus, wo die Kerne von Zellen hatte eine ursprüngliche Form , eine so genannte anaplasia zurückgesetzt wurden die Zellen dicht gruppierten und erlitt der Patient wiederkehrenden Krebs . Sie graphisch die Kerne in jedem der Bilder , und fand, dass es wenig bis gar keine Überlappung zwischen dem hohen Grad der Cluster rezidivierenden Krebs und der vergleichsweise dispergieren vorspannbare .
Die Ergebnisse , wenn durch weitere Studien bestätigt werden , könnte zu milderen Behandlung für Patienten, die nicht wiederkehrenden Krebs und aggressivere Behandlung für Menschen mit wiederkehrenden Krebs führen , sagen die Forscher.
" Personalisierte Medizin kann mit das ist ", sagte Madabhushi . "Verwendung von Biopsieproben kann der Pathologe nicht sagen, das eine vom anderen , aber Big Data Analytics kann."
Sein Labor neuestes Projekt ist es, Eigenschaften, die Krebs oder präkanzerösen Zuständen in der Lunge identifizieren zu finden, und zu unterscheiden zwischen verschiedenen Arten von Lungenkrebs .
Die Mehrzahl der Fälle von Lungenkrebs sind im fortgeschrittenen Stadium diagnostiziert wird, über die Zeit, in der Chirurgie erfolgreich sein kann. Überlebensrate für eine der schlimmsten Formen , nicht -kleinzelligem Lungenkrebs, bleibt bei 15 bis 18 Prozent. In dieser Studie wird das Labor verwenden Röntgenbildern mit der Computertomographie -Scans genutzt, um ihre digitalen Bild Bibliothek.