癌症患者血液中循环的肿瘤细胞是早期诊断、治疗成功和患者预后的重要标志。但由于很少有人流通，识别它们是一个挑战。得益于人工智能，屯特大学的研究人员成功地以高精度实现了流程自动化。此外，新技术不仅可以检测肿瘤细胞，还可以揭示隐藏的信息。在细胞相互作用中很重要的细胞外囊泡也被分类。研究人员在 2 月 10 日出版的Nature Machine Intelligence上公布了他们的研究结果。
从原始肿瘤释放并开始在血流中移动的循环肿瘤细胞(CTC)在身体其他部位转移的发生中起着重要作用。在患者血液中检测它们可提供有关治疗效果和患者预后的信息。CTC 的数量极少，因此即使对于知道如何识别 CTC 的专家来说，使用荧光显微镜手动计数它们也是劳动密集型的。新的自动化方法提供超过 96% 的准确性。
UT 科学家为证明其临床相关性的现有方法开发了一个开源识别包;新方法使用自动学习将其提升到更高的水平。高级可视化从血液样本中产生更多信息：例如，不同类型的 CTC，以及提供有关细胞协作的额外信息的细胞外 CD45 囊泡。目前正在对这些囊泡的作用进行大量研究。
黑匣子中的窗口
研究人员使用大量标记良好的示例来训练深度学习网络，之后它们能够自行学习和运行，通常比人类做得更好。实际的学习过程如何发生以及网络内部做出的选择不太透明：深度学习网络本质上是一个黑匣子。多亏了基于半监督自动编码的额外建模和可视化步骤，来自网络的信息比预期的要多。就好像你可以通过黑盒子里的一个小窗口看到一部分学习内容。可以清楚地区分不同类型的CTC、白细胞和囊泡。
由 Leonie Zeune 开发的开源图像分析程序 ACCEPT 可以与 CellSearch 技术结合用于检测 CTC。这项由 Leon Terstappen 教授共同发明的技术已经被一些医院使用。由于现在提出的深度学习发展，自动化检测得到进一步改进。
标签：
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！