新的快速方法使用与肿瘤病理图像数据可以帮助指导癌症疗法

13通过结合病理图像数据类型的癌症和关联,在临床和基因数据,石溪大学领衔的研究团队是能够识别肿瘤浸润淋巴细胞(尖),称为直到地图,这将使癌症专家从定期生成肿瘤免疫信息收集病理幻灯片。发表在细胞的报道,细节直到地图是如何与肿瘤的分子特性和患者生存。方法可能会提供一个基础如何更好地为癌症诊断和制定治疗计划,对基于免疫抗癌疗法,如黑色素瘤、肺癌、膀胱癌,和某些类型的结肠癌。

癌症诊断的金标准仍然从肿瘤组织活检,病理报告。诊断中起着主导作用在如何对待病人。在某些情况下接受免疫治疗癌症,病理学家还肩负着使观察肿瘤组织的免疫特性,以确定哪些病人最有可能受益于这些疗法。尖发动免疫疗法摧毁癌细胞。

“这篇论文表明,我们现在可以使用深度学习方法如人工智能提取和分类模式的免疫细胞在无所不在地获得病理学的研究中,并与免疫细胞模式的许多其他类型的癌症患者分子和临床数据,”乔尔·萨尔兹说,医学博士,博士的基立石溪大学生物医学信息学和论文的主要作者,标题为“空间组织和肿瘤浸润淋巴细胞的分子相关病理图像上使用深度学习。”

研究包括石溪大学的研究人员,德克萨斯大学MD安德森癌症中心,埃默里大学,系统生物学研究所。工作源于癌症基因组图谱的努力(TCGA)项目。

在这项研究中,研究人员应用机器学习数字化病理图像描述免疫渗透的模式出现在4759年,TCGA患者和13癌症类型内处理5000多个数字图像的癌症类型创建一个“计算污点”。与这些,他们创造了直到地图作为一个潜在的新指导诊断和治疗计划。

TCGA十年长期全面的工作由国家癌症研究所(NCI)和国家人类基因组研究所合作全球癌症研究社区。直到地图研究的一部分,一群27手稿发表在细胞出版社TCGA PanCancer Atlas项目沟通的结果,比较和对比TCGA分子特性的肿瘤样本10000多例由33个不同形式的癌症。

“发展中机器学习工具,如这一原则的证明项目映射淋巴细胞渗透模式immune-oncology再现性研究最重要的是,还将让这些方法开始被部署为决策支持为病理学家为我们评估和报告病例常规决策,”亚历山大Lazar说,医学博士,博士,病理学与基因组医学教授安德森和合作者。

研究人员能够开发方法和概念证明的协助下数据收集和计算的高性能计算系统可以通过石溪研究所的先进的计算机科学和信息技术部门。

沙尔茨博士和他的同事们在全国范围内继续调查的使用数字存档病理学和机器学习和人工智能的使用来提高癌症的诊断和治疗。

这项研究由美国国家癌症研究所支持的部分,美国癌症协会,癌症研究所和美国国家科学基金会。

这篇文章被转载材料所提供的石溪大学。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。