我们已经更新我们的隐私政策使它更加清晰我们如何使用您的个人资料。

我们使用cookie来提供更好的体验。你可以阅读我们的饼干的政策在这里。

广告

深入学习网络预测肿瘤细胞的转移潜能

工作流的图形演示的细胞分类模型。
细胞分类项目工作流。步骤包括收集数据集,训练模型,评估性能和实现最终的侵袭性癌症的发展工具。来源:加德纳et al。

想要一个免费的PDF版本的这个新闻吗?

完成下面的表格,我们将电子邮件您的PDF版本“深度学习网络预测肿瘤细胞的转移潜力”

听与
喋喋不休地说
0:00
注册免费听这篇文章
谢谢你!听这篇文章使用上面的球员。
阅读时间:

启动转移癌细胞,或从其主要疾病的传播位置,不同于癌细胞在原发肿瘤。区分metastasis-initiating细胞类型可以确定癌症和帮助医护人员的严重程度决定一个疗程。


在APL机器学习,每年出版、德州理工大学的研究人员开发了一种深刻的学习模式对癌细胞按类型进行分类。该工具只需要一个简单的显微镜和少量的计算能力、生产结果相当或比更复杂的和复杂的技术。


“癌症细胞是高度异构,最近的研究表明,特定的细胞亚群,而不是整个,负责癌症转移,”作者李魏说。“识别肿瘤细胞各亚群是一个关键步骤,以确定疾病的严重程度。”


当前的方法对癌细胞进行分类涉及先进仪器,耗时的生物技术,或化学标签。

想要更多的最新消息?

订阅188金宝搏备用的日常通讯,提供每天打破科学消息直接发送到您的收件箱中。

免费订阅

“这些复杂和长技术的问题是他们需要的资源和精力,可以用来探索不同地区的癌症预防和恢复,”作者卡尔·加德纳说。


一些研究利用磁性纳米粒子追踪癌细胞,但将这些标签会影响下游的细胞和完整性分析测量。


“我们的分类过程不包含额外的化学物质或生物解决方案当拍照的细胞,”加德纳说。“这是一个label-free转移潜力的识别方法。”


团队的神经网络也使用简单,高效和自动化。喂它一个图像后,该工具将数据转换为一个概率。结果低于0.5分类癌症是一个细胞类型,而数量高于0.5指定另一个。


工具是训练优化预测的准确性与一组图像两个癌细胞。它达到94%以上的准确率在这项研究中使用的数据集。


目前,训练数据只占癌症细胞。然而,研究表明,循环肿瘤细胞集群更负责癌症的扩散。作者旨在扩展和推广模型包括单个细胞和集群。


参考:加德纳K, Joshi R,哈桑Kashem MN,范教授TQ,李陆Q, w .标签免费使用深上优于图像分析识别不同的癌细胞。APL机器学习。2023;1 (2):026110。doi:10.1063/5.0141730


本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

广告
Baidu