由IDARS算法生成的结肠直肠癌组织切片的空间图，绘制了肿瘤中DNA微卫星的不稳定性(红色)或稳定性(绿色)的替代度量
没有任何覆盖的组织区域是非肿瘤
具有高度微卫星不稳定性的结肠癌病例通常更有可能对昂贵的免疫治疗产生反应
学分:华威大学 华威大学的研究人员创造了一种新的深度学习算法，与现有方法相比，该算法可以更准确地发现导致结直肠癌的关键突变的分子途径和发展，这意味着患者可以受益于更快周转时间和更低成本的靶向治疗
为了快速有效地治疗结直肠癌，必须确定与癌症发展和关键突变相关的分子途径的状态
目前这样做的方法涉及昂贵的基因测试，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利用机器学习来预测三种主要结直肠癌分子途径和超突变肿瘤的状态
该方法的一个关键特征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
在今天(10月19日)发表在《柳叶刀数字健康》杂志上的论文“一种弱监督深度学习框架，用于从常规组织学图像中预测结直肠癌的分子途径和关键突变的状态”中，来自华威大学的研究人员探索了机器学习如何从结直肠癌的全载玻片图像中检测三个关键突变，以此作为这些途径和突变的当前测试方案的替代方案
研究人员提出了一种新的迭代绘制和排序采样算法，该算法可以从整张载玻片图像中选择有代表性的子图像或切片，而不需要病理学家在细胞或区域层面进行任何详细的注释
本质上，新算法可以利用原始像素数据的力量来预测结肠癌的临床重要突变和途径，而无需人为拦截
迭代抽取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，它能够对图像切片的细胞组成进行系统的和数据驱动的分析，从而有力地预测结肠直肠分子途径
研究人员还分析了迭代抽取和排序采样的准确性，他们发现，对于三种主要结直肠癌分子途径和关键突变的预测，他们的算法被证明比目前公布的方法明显更准确
这意味着，与大规模验证后的测序或基于特殊染色的方法相比，新算法有可能以更低的成本和更快的周转时间对患者进行靶向治疗分层
博士；医生
这项研究的第一作者、华威大学组织图像分析(TIA)中心的数据科学家莫欣·比拉尔(Mohsin Bilal)表示:“我对迭代绘制和排序采样算法的可能性感到非常兴奋，该算法可用于检测乳腺癌的分子途径和关键突变，并选择可能受益于靶向治疗的患者，这些治疗成本更低，周转时间更快
我们也期待着在大型多中心队列上验证我们算法的下一个重要步骤
" 沃里克大学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结肠癌的临床重要突变和途径
我们的迭代抽取排序采样算法的一个主要优点是，它不需要专家病理学家费时费力的注释
“与测序或基于特殊标记的方法相比，这些发现开辟了潜在的使用迭代抽取和排序抽样的可能性，以选择可能受益于靶向治疗的患者，并且以更低的成本和更快的周转时间做到这一点
“我们现在将寻求对该算法进行大规模多中心验证，为其临床应用铺平道路
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
