癌癥有兩種分類方式：按癌癥起源的組織類型(組織學(xué)類型)和按原發(fā)部位(即癌癥最初在體內(nèi)發(fā)生的位置)分類?，F(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，可以按類型對癌細胞進行分類。深度學(xué)習(xí)網(wǎng)絡(luò)分析圖像以準(zhǔn)確有效地對細胞類型進行分類。
該研究結(jié)果發(fā)表在APL機器學(xué)習(xí)雜志上，題為“使用基于深度學(xué)習(xí)的圖像分析對不同癌細胞進行無標(biāo)記識別”。
“癌細胞具有高度異質(zhì)性，最近的研究表明，特定的細胞亞群，而不是整體，導(dǎo)致癌癥轉(zhuǎn)移，”作者、德克薩斯理工大學(xué)副教授李偉博士說。“識別癌細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)和生存的一個重要領(lǐng)域，需要許多昂貴的程序來進行正確的治療。”“機器學(xué)習(xí)(ML)方法可以幫助對液體活檢中的循環(huán)腫瘤細胞或固體活檢中的原發(fā)腫瘤進行診斷預(yù)測。通過深度學(xué)習(xí)模型預(yù)測轉(zhuǎn)移潛力后，臨床環(huán)境中的醫(yī)生可以為特定患者提供安全、正確的治療。本文研究了如何使用深度卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測特定的癌細胞系，作為無標(biāo)記識別的工具。”
“這些復(fù)雜且冗長的技術(shù)的問題在于，它們需要資源和精力來探索癌癥預(yù)防和康復(fù)的不同領(lǐng)域，”德克薩斯理工大學(xué)研究助理、作者卡爾·加德納博士說。
“在拍攝細胞照片時，我們的分類程序不包含額外的化學(xué)物質(zhì)或生物溶液，”加德納說。“這是一種‘無標(biāo)記’的轉(zhuǎn)移潛力識別方法。”
該團隊的神經(jīng)網(wǎng)絡(luò)也易于使用、高效且自動化。在向其提供圖像后，該工具會將數(shù)據(jù)轉(zhuǎn)換為概率。低于0.5的結(jié)果將癌癥歸類為一種細胞類型，而高于0.5的數(shù)字則指定另一種細胞類型。
該工具經(jīng)過訓(xùn)練，可以使用兩種癌細胞系的一組圖像來優(yōu)化預(yù)測的準(zhǔn)確性。研究中使用的數(shù)據(jù)集的準(zhǔn)確率達到了94%以上。
作者的目標(biāo)是擴展和概括該模型以包括單細胞和細胞簇。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！