深度学习算法可以更有效地识别基因突变和DNA错配修复缺陷

为了有效治疗结直肠癌，必须确定参与癌症发展和关键突变的分子途径

目前进行基因测试以检测突变和途径，这可能很昂贵，可能需要数周时间

华威大学研究人员提出一种无需人工标注的高精度机器学习新算法，可检测结直肠癌的三个关键分子通路

与目前的方法相比，这些发现开辟了选择可能以更低的成本和更快的周转时间从靶向治疗中受益的患者的可能性

由华威大学的研究人员创建的一种新的深度学习算法可以比现有方法更准确地获取导致结直肠癌的关键突变的分子途径和发展，这意味着患者可以以更快的周转时间和更低的成本从靶向治疗中受益。

为了快速有效地治疗结直肠癌，必须确定参与癌症发展和关键突变的分子途径的状态。目前这样做的方法涉及昂贵的基因测试，这可能是一个缓慢的过程。

然而，华威大学计算机科学系的研究人员一直在探索如何使用机器学习来预测三种主要的结直肠癌分子通路和超突变肿瘤的状态。该方法的一个关键特征是它不需要对癌组织载玻片的数字化图像进行任何手动注释。

在今天10 月19日发表在《柳叶刀数字健康》杂志上的论文中，“一种弱监督的深度学习框架，可根据常规组织学图像预测结直肠癌中分子通路和关键突变的状态”，华威大学的研究人员探索了机器学习如何从用苏木精和伊红染色的结直肠癌载玻片的全载玻片图像中检测三个关键突变，作为这些途径和突变的当前测试方案的替代方案。

研究人员提出了一种新颖的迭代绘制和排序采样算法，该算法可以从整个幻灯片图像中选择具有代表性的子图像或图块，而无需病理学家在细胞或区域级别进行任何详细的注释。从本质上讲，新算法可以利用原始像素数据的强大功能来预测临床上重要的结肠癌突变和途径，而无需人工拦截。

迭代绘制和排序采样通过训练深度卷积神经网络来识别最能预测结直肠癌关键分子参数的图像区域。迭代绘制和排序采样的一个关键特征是它能够对图像块的细胞组成进行系统和数据驱动的分析，强烈预测结肠直肠分子通路。

研究人员还分析了迭代抽取和排序采样的准确性，他们发现对于三种主要的结直肠癌分子途径和关键突变的预测，他们的算法被证明比当前已发表的方法更准确。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！