新的深度学习算法可以更有效地提取结直肠癌的基因突变
华威大学(University of Warwick)的研究人员发明的一种新的深度学习算法,可以比现有方法更准确地提取导致结直肠癌的关键突变的分子路径和发展,这意味着患者可以从靶向治疗中受益,而且见效更快,成本更低。
为了快速、有效地治疗大肠癌,分子通路的研究现状与发展至关重要突变癌症的病因必须确定。目前的方法涉及昂贵的基因检测,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高突变肿瘤的状态。该方法的一个关键特点是,它不需要对癌组织切片的数字化图像进行任何人工注释。
在这篇论文中,“一个弱监督的深度学习框架,从常规的组织图像中预测结直肠癌的分子通路和关键突变的状态”,今天发表于19th十月,在杂志上《柳叶刀数字健康》,华威大学的研究人员对此进行了探索机器学习可以从用苏木精和伊红染色的结直肠癌载玻片的整片图像中检测出三种关键突变,作为当前检测这些途径和突变的替代方法。
研究人员提出了一种新的迭代抽取-排序抽样方法算法,它可以从整个幻灯片图像中选择具有代表性的子图像或贴图,而不需要病理学家在细胞或区域水平上进行任何详细的注释。从本质上说,新算法可以利用原始像素数据的力量来预测临床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,它能够对图像瓦的细胞组成进行系统的和数据驱动的分析,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抽样的准确性,他们发现,对于预测三种主要的结直肠癌分子途径和关键突变,他们的算法被证明明显比目前发表的方法更准确。
这意味着,与经过大规模验证的测序或基于特殊染色的方法相比,新的算法可以用于对患者进行靶向治疗的分层,成本更低,周转时间更快。
这项研究的第一作者、华威大学组织图像分析(TIA)中心的数据科学家Mohsin Bilal博士说:“我对迭代绘制和排序采样算法用于检测的可能性感到非常兴奋分子通路和关键的基因突变结肠直肠癌并选择可能从靶向治疗中受益的患者,以更低的成本和更快的周转时间。我们也期待着至关重要的下一步,在大型多中心队列上验证我们的算法。”
华威TIA中心主任、该研究的资深作者Nasir Rajpoot教授评论道:“这项研究展示了智能算法如何利用原始像素数据的力量来预测临床重要突变和结肠通路癌症.我们的迭代绘制-排序采样算法的一个主要优势是,它不需要耗时费力的病理学专家的注释。“这些发现开启了迭代绘制和排名的潜在用途抽样选择可能从靶向治疗中受益的患者,与测序或基于特殊标记的方法相比,成本更低,周转时间更快。
“我们现在将寻求对该算法进行大规模的多中心验证,为其临床应用铺平道路。”
进一步探索