Grant NIH dla Boston University na rozwój biomarkerów w diagnostyce POChP

Kayhan Batmanghelich, asystent profesora elektrotechniki i informatyki, młodszy wykładowca w Instytucie Hariri oraz współpracownik AIR na Uniwersytecie Bostońskim, otrzymał grant w wysokości 3,1 mln dolarów w ramach programu R01 od Narodowego Instytutu Serca, Płuc i Krwi (National Heart, Lung, and Blood Institute) amerykańskiej agencji National Institutes of Health. Dzięki tej dotacji Batmanghelich będzie kierował pionierskimi badaniami nad przewlekłą obturacyjną chorobą płuc (POChP) we współpracy z Boston University College of Engineering, University of Pittsburgh School of Medicine oraz Brigham and Women’s Hospital.

POChP to postępująca, heterogenna choroba, która dotyka ponad 300 milionów osób na całym świecie. Projekt zatytułowany „Integracja danych multimodalnych i biomechaniki w POChP: w kierunku solidnych i interpretowalnych biomarkerów do podtypowania choroby i oceny jej progresji” ma na celu przezwyciężenie kluczowych ograniczeń obecnych narzędzi diagnostycznych poprzez opracowanie nowych, interpretowalnych biomarkerów z wykorzystaniem zaawansowanej sztucznej inteligencji.

„Testy czynnościowe płuc i tomografia komputerowa są standardem w diagnostyce POChP, ale nie odzwierciedlają one dynamiki postępu choroby” – podkreśla Batmanghelich. „Obecne metody radiomiczne mają niską czułość, a większość modeli opartych na głębokim uczeniu maszynowym jest trudna do interpretacji, podatna na różnice między skanami i ma ograniczoną użyteczność kliniczną”.

Zespół Batmanghelicha zamierza rozwiązać te problemy, opierając się na wcześniejszych badaniach wykorzystujących samonadzorowane głębokie uczenie do generowania cech radiomicznych o większej uogólnialności niż w metodach tradycyjnych [1]. Ich podejście łączy dane multimodalne, w tym obrazowanie TK, dane genetyczne i genomiczne [2], a także spersonalizowane modele biomechaniczne tkanki [3, 4]. Ten zintegrowany schemat pozwoli na dokładniejsze podtypowanie choroby oraz wcześniejsze, spersonalizowane prognozowanie progresji POChP. Kluczowym celem jest zapewnienie, aby wnioski generowane przez SI były interpretowalne klinicznie i budziły zaufanie lekarzy.

„Właściwości mechaniczne tkanki płucnej zmieniają się w przebiegu choroby, ale bezpośredni pomiar takich parametrów jak sztywność tkanki zazwyczaj nie jest możliwy. Jednym z celów projektu jest nieinwazyjne oszacowanie tych parametrów na podstawie ruchu płuc, co daje wysoce interpretowalne wyniki. Jeśli uda się powiązać te dane z innymi informacjami pacjenta, w tym genetycznymi i genomicznymi, będziemy mogli opracować nowe, klinicznie użyteczne multimodalne biomarkery choroby” – wyjaśnia Batmanghelich.

Projekt obejmuje dwa główne innowacyjne elementy: (1) sieci neuronowe oparte na modelach biomechanicznych, które szacują sztywność tkanki na podstawie skanów TK, oraz (2) model sztucznej inteligencji oparty na grafowych sieciach neuronowych, integrujący dane multimodalne w wielu skalach biologicznych.

Zespół ma wyjątkowe kompetencje do realizacji projektu. Dr Kayhan Batmanghelich, kierownik projektu, specjalizuje się w obrazowaniu medycznym i SI. Współbadacze dr Béla Suki i dr Hadi Nia wnoszą ekspercką wiedzę w zakresie modelowania biomechaniki płuc. Dr Suki, profesor inżynierii biomedycznej i inżynierii materiałowej w BU, ma wieloletnie doświadczenie w opracowywaniu modeli biomechanicznych płuc. Dr Nia, adiunkt w tych samych dziedzinach, opracował innowacyjną platformę „Lung Crystal Rib Cage” umożliwiającą obrazowanie optyczne w wysokiej rozdzielczości w różnych skalach biologicznych. Do zespołu należą również wybitni klinicyści: dr Peter Castaldi, profesor nadzwyczajny medycyny w Channing Division of Network Medicine w Brigham and Women’s Hospital oraz dr Frank Sciurba, światowej sławy pulmonolog, profesor medycyny i dyrektor Emphysema/COPD Research Center na University of Pittsburgh School of Medicine, współpracujący z Batmanghelichem od 2016 roku.

Choć projekt koncentruje się na POChP, opracowane narzędzia i metody mogą znaleźć zastosowanie także w innych chorobach płuc wpływających na biomechanikę oddechową, co może poszerzyć ich kliniczne znaczenie.

„Łącząc dane z biologii, obrazowania i fizyki w ramach interpretowalnej sztucznej inteligencji, nie tylko udoskonalamy opiekę nad pacjentami z POChP, ale także tworzymy podstawy dla nowej generacji precyzyjnej diagnostyki” – podsumowuje Batmanghelich. – „Nasza praca może zmienić sposób, w jaki rozumiemy, monitorujemy i leczymy przewlekłe choroby dotykające milionów pacjentów na całym świecie”.

Źródło: Boston University

[1] Yu K, Sun L, Chen J, Reynolds M, Chaudhary T, Batmanghelich K. DrasCLR: A self-supervised framework of learning disease-related and anatomy-specific representation for 3D lung CT images. Med Image Anal. 2024 Feb;92:103062. doi: 10.1016/j.media.2023.103062. Epub 2023 Dec 9. PMID: 38086236; PMCID: PMC10872608.

[2] Chen J, Xu Z, Sun L, Yu K, Hersh CP, Boueiz A, Hokanson JE, Sciurba FC, Silverman EK, Castaldi PJ, Batmanghelich K. Deep Learning Integration of Chest Computed Tomography Imaging and Gene Expression Identifies Novel Aspects of COPD. Chronic Obstr Pulm Dis. 2023 Oct 26;10(4):355-368. doi: 10.15326/jcopdf.2023.0399. PMID: 37413999; PMCID: PMC10699487.

[3] Pollack BL, Batmanghelich K, Cai SS, Gordon E, Wallace S, Catania R, Morillo-Hernandez C, Furlan A, Borhani AA. Deep Learning Prediction of Voxel-Level Liver Stiffness in Patients with Nonalcoholic Fatty Liver Disease. Radiol Artif Intell. 2021 Sep 29;3(6):e200274. doi: 10.1148/ryai.2021200274. PMID: 34870213; PMCID: PMC8637225.

[4] Ragoza M, Batmanghelich K. Physics-Informed Neural Networks for Tissue Elasticity Reconstruction in Magnetic Resonance Elastography. Med Image Comput Comput Assist Interv. 2023 Oct;14229:333-343. doi: 10.1007/978-3-031-43999-5_32. Epub 2023 Oct 1. PMID: 38827227; PMCID: PMC11141115.