转移,肿瘤生长在一个二级网站的发展——负责大部分的癌症相关的死亡。它发生在原发肿瘤站点了癌细胞,然后通过人体传播通过血管或淋巴结。这些成为最终的种子在体内肿瘤的生长在次要位置。
检测这些非常罕见的细胞,称为循环肿瘤细胞或ctc,对严重疾病的早期预后很重要以及监测治疗的有效性。目前,只有一个方法CTC检测通过美国食品和药物管理局(FDA), CellSearch,用于诊断乳腺癌、结肠直肠癌和前列腺癌。
最近的结果研究利哈伊大学之间的合作,利哈伊谷癌症研究所和宾夕法尼亚州立大学——潜在的成功演示了一种新的检测循环肿瘤细胞的方法。与现有的方法依赖于一个昂贵和耗时的过程,涉及与荧光标记抗体,这种技术使用一个强大的label-free检测方法。由耶鲁大学刘,教员在里海的生物工程和机械工程和力学,与一位黄合作,教员在宾夕法尼亚州立大学的学院信息科学与技术,这项技术的机器学习算法适用于亮视场显微镜图像的细胞中发现含有白细胞和ctc的患者的血液样本。
血液样本来自参与4肾患者接受治疗阶段,或肾脏,癌症在利哈伊谷Hospital-Cedar波峰Suresh g·奈尔博士的亲切关怀下医生在利哈伊谷癌症研究所首席。模型产生高速度的精度:88.6%总体精度对病人的血液和培养细胞的97%。结果已经发表在《自然》科学报告的一篇文章中称为“Label-free罕见的循环肿瘤细胞的检测图像分析和机器学习。“除了刘、黄和Nair作者包括三利哈伊翁沈博士生,豫园万丽周和Xiachen秦。
Nair说刘翔的创新技术分离出罕见的循环肿瘤细胞在一管血可以只有15细胞数量在十亿年代表“简单,优雅的和成本有效的方法来监测患者免疫疗法等治疗和靶向治疗癌症在循环单元级别而不是扫描如猫扫描,寻找1亿或更多的肿瘤细胞组织成1厘米。”
“这项研究虽然小,表明我们的方法可以实现高精度的识别罕见的ctc不需要先进的设备或专家用户,从而提供更快和更简单的方法来计算和确定ctc,”刘说。“未来更多的数据变得可用,机器学习模型可以进一步改善,作为CTC分析准确和易于使用的工具。”
他说,这种方法需要最少的数据预处理和一个简单的实验装置。到达结果,团队整个血液样本预处理,明亮的领域和荧光图像的捕获的细胞。他们训练深度学习模式与裁剪单细胞亮视场图像和相应的荧光图像用作地面实况标签。他们还训练和测试模型与培养细胞系作为比较。然后小组做了测试和总结了训练模型的统计结果。
“我们调整了模型的细节达到更好的结果,直到结果达到最先进的,”刘说。
他们基本上跑两个实验:一个是对照组的白细胞和培养癌症细胞系,在白细胞和其他操作和患者ctc。他们预计第一批实验的对照组正常工作,因为大量的训练数据集培养细胞。他们使用1745单细胞图像,取得了97.5%的总体精度。团队不希望第二组,从患者的血液样本,收益率高准确率作为第一组由于训练数据集limited-based 95单细胞图像作为原始输入。
“但是当我们应用与pre-trained网络学习技术转移,我们很吃惊地改进,”刘说。“我们发现,机器学习模型可以识别ctc合理的准确性一样好88%。”
血液样本采集部分使用商业浓缩设备和部分使用微流控设备由刘专门捕捉和释放ctc。他和他的团队在这个领域继续创新和正在开发一种设备,它结合了光学图像机器学习和声学排序自动处理样品。
Nair,刘,连同两个利哈伊谷健康网络肿瘤科萨尔基西安,扎克沃尔夫博士和萨诺将继续合作在下一个步骤。那些是炼油技术观察DNA突变捕获细胞的变化。根据刘,这将为医生提供更多的信息,使他们能够作出治疗调整,改善健康状况,包括延长病人的生命。
“作为医生的里海山谷纪念斯隆凯特林癌症建立成员联盟作为一名医生主要临床试验在学术社区设置三十年,我非常自豪我们的协作,”Nair说。
参考
王等。(2020)。Label-free罕见的循环肿瘤细胞的检测图像分析和机器学习。科学报告。DOI:https://doi.org/10.1038/s41598 - 020 - 69056 - 1
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。
