APL ML | AI通過循環(huán)腫瘤細(xì)胞形態(tài)特征進(jìn)行分類診斷
原創(chuàng)?圖靈基因?圖靈基因?2023-05-11 10:12?發(fā)表于江蘇
收錄于合集#前沿生物大數(shù)據(jù)分析
癌癥有兩種分類方法：一種是根據(jù)癌癥發(fā)生的組織類型（組織學(xué)類型）试幽，另一種是按原發(fā)部位，即癌癥最初發(fā)生在體內(nèi)的位置∩虮ぃ現(xiàn)在，德克薩斯理工大學(xué)的研究人員開發(fā)了一種深度學(xué)習(xí)模型素征，可以按類型對癌細(xì)胞進(jìn)行分類迫卢。深度學(xué)習(xí)網(wǎng)絡(luò)對圖像進(jìn)行分析，準(zhǔn)確有效地對細(xì)胞類型進(jìn)行分類捕捂。
該研究結(jié)果發(fā)表在《APL Machine Learning》雜志上的一篇題為“Label-free identification of different cancer cells using deep learning-based image analysis”的文章中励背。
“癌細(xì)胞具有高度異質(zhì)性春霍，最近的研究表明，特定的細(xì)胞亞群叶眉，而不是全部細(xì)胞址儒，是導(dǎo)致癌癥轉(zhuǎn)移的原因芹枷。”文章作者莲趣、德克薩斯理工大學(xué)副教授Wei Li博士說鸳慈，“確定癌細(xì)胞亞群是確定疾病嚴(yán)重程度的關(guān)鍵一步⌒。”
研究人員寫道：“癌癥診斷是癌癥恢復(fù)和生存的一個(gè)重要領(lǐng)域走芋，需要許多昂貴的程序來實(shí)施正確的治療。機(jī)器學(xué)習(xí)（ML）方法可以幫助從液體活檢中的循環(huán)腫瘤細(xì)胞或?qū)嶓w活檢中的原發(fā)性腫瘤中進(jìn)行診斷預(yù)測潘鲫。在通過深度學(xué)習(xí)模型預(yù)測轉(zhuǎn)移潛力后翁逞，醫(yī)生可以在臨床環(huán)境中對特定患者進(jìn)行安全正確的治療。本文研究了使用深度卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測特定的癌細(xì)胞系溉仑，作為無標(biāo)簽識別的工具挖函。
“這些復(fù)雜和冗長的技術(shù)的問題在于，它們需要資源和精力浊竟，可以用于探索癌癥預(yù)防和康復(fù)的不同領(lǐng)域怨喘。”文章作者振定、德克薩斯理工大學(xué)研究助理Karl Gardner博士說必怜。
Gardner說：“在拍攝細(xì)胞照片時(shí)，我們的分類程序不包括額外的化學(xué)物質(zhì)或生物溶液吩案。這是一種‘無標(biāo)記’的有轉(zhuǎn)移潛力的識別方法棚赔〉鄞兀”
該團(tuán)隊(duì)的神經(jīng)網(wǎng)絡(luò)易于使用徘郭，高效且自動(dòng)化。在給它輸入圖像后丧肴，該工具將數(shù)據(jù)轉(zhuǎn)換為概率残揉。低于0.5的結(jié)果將癌癥歸類為一種細(xì)胞類型，而高于0.5的結(jié)果則將癌癥歸類為另一種細(xì)胞芋浮。該工具經(jīng)過訓(xùn)練抱环，可以利用兩種癌細(xì)胞系的一組圖像來優(yōu)化預(yù)測的準(zhǔn)確性。在研究中使用的數(shù)據(jù)集中纸巷，它的準(zhǔn)確率達(dá)到了94%以上镇草。作者的目標(biāo)是擴(kuò)展和推廣該模型，使其包括單細(xì)胞和細(xì)胞集群瘤旨。
