Sztuczna inteligencja usprawnia diagnostykę przyłóżkową: przełomowa metoda LOCA-PRAM
Czy diagnozowanie nowotworów i innych chorób może być równie szybkie i proste jak test ciążowy czy pomiar glukozy we krwi? Zespół naukowców z Carl R. Woese Institute for Genomic Biology jest o krok bliżej do realizacji tej wizji. W czasopiśmie Biosensors and Bioelectronics opisali nową metodę diagnostyczną LOCA-PRAM, łączącą mikroskopię PRAM z analizą obrazu opartą na uczeniu maszynowym. Technologia ta umożliwia wykrywanie biomarkerów molekularnych bez potrzeby zaawansowanej interpretacji obrazów przez wyszkolonych specjalistów.
Od laboratorium do gabinetu – i dalej
Tradycyjne techniki diagnostyczne wymagają przesyłania próbek krwi lub tkanek do laboratoriów, gdzie analizy przeprowadzają wykwalifikowani technicy. Tymczasem diagnostyka przyłóżkowa (point-of-care) oferuje możliwość uzyskania wyniku bezpośrednio w miejscu opieki nad pacjentem – w gabinecie, domu, czy w czasie wizyty u specjalisty.
– Obecne technologie zmuszają pacjentów do wizyt w szpitalach, co wiąże się z kosztami i barierami logistycznymi – mówi Han Lee, pierwszy autor publikacji i doktorant w grupie badawczej zajmującej się nanosensorami. – Wierzę, że rozwój diagnostyki przyłóżkowej może znacząco poprawić dostępność opieki medycznej.
LOCA-PRAM może znaleźć zastosowanie w onkologii czy chirurgii szczękowej, skracając czas od badania do decyzji terapeutycznej i zmniejszając obciążenie finansowe pacjenta.
Fotoniczna mikroskopia PRAM i złote nanocząstki
LOCA-PRAM opiera się na wcześniejszej technologii PRAM (Photonic Resonator Absorption Microscopy), umożliwiającej wykrywanie pojedynczych cząsteczek biomarkerów (kwasów nukleinowych, antygenów i przeciwciał). W metodzie tej czerwone światło LED oświetla dolną powierzchnię sensora, na którym zatrzymują się cząsteczki oznaczone złotymi nanocząstkami (AuNPs).
Obrazy generowane w PRAM przedstawiają czerwone tło z czarnymi kropkami. Choć na pierwszy rzut oka wyglądają one prosto, ich właściwa interpretacja wymaga doświadczenia – fałszywe sygnały mogą pochodzić od kurzu lub skupisk nanocząstek.
– Dotychczasowy algorytm analizy obrazu wymagał ręcznego dostrajania wielu parametrów – wyjaśnia Lee. – To stanowiło istotną barierę w przeniesieniu technologii poza laboratorium.
Uczenie maszynowe na ratunek diagnostyce
Aby przezwyciężyć ten problem, Lee zaproponował integrację uczenia głębokiego z analizą obrazów PRAM. Do stworzenia zestawu danych uczących wykorzystał obrazy próbek wykonane zarówno w PRAM, jak i za pomocą mikroskopii elektronowej, co pozwoliło na precyzyjną identyfikację lokalizacji nanocząstek.
Nowa metoda – Localization with Context Awareness (LOCA) – umożliwia precyzyjne wykrywanie biomarkerów w czasie rzeczywistym, bez potrzeby udziału eksperta. Podczas testów LOCA-PRAM przewyższała konwencjonalne metody pod względem dokładności, skuteczniej wykrywając niskie stężenia biomarkerów i ograniczając liczbę wyników fałszywie dodatnich i fałszywie ujemnych.
– Moja praca doktorska miała na celu stworzenie technologii, które naprawdę mogą zmienić świat diagnostyki przyłóżkowej – podsumowuje Lee.
Publikację pt. „Physically grounded deep learning-enabled gold nanoparticle localization and quantification in photonic resonator absorption microscopy for digital resolution molecular diagnostics” można znaleźć pod adresem: https://doi.org/10.1016/j.bios.2025.117455. Prace badawcze były wspierane przez National Institutes of Health, USDA AFRI Nanotechnology grant i National Science Foundation.
