“我们现在有了一个大致的框架，使我们能够提取组织样本，并预测细胞内驱动疾病的机制，这些机制目前以任何其他方式都无法获得，”该研究的领导者、UTSW大学Lyda Hill生物信息学系主任兼教授Gaudenz Danuser博士说。
Danuser博士解释说，人工智能技术在过去几年里取得了显著进步深度学习这种方法能够分辨出肉眼根本看不见的图像中的细微差别。研究人员已经提出利用这些潜在信息来寻找疾病特征的差异，从而为预后或指导治疗提供见解。然而，他说，人工智能所区分的差异通常无法用特定的细胞特征来解释，这一缺点使得人工智能难以在临床应用中推广。
为了克服这一挑战，Danuser博士和他的同事们使用人工智能来搜索图像之间的差异黑素瘤具有高转移潜能和低转移潜能的细胞——这一特征可能意味着皮肤癌患者的生死——然后对他们的发现进行逆向工程，以找出这些图像中的哪些特征导致了这些差异。
广告
广告
使用肿瘤研究人员采集了7名患者的样本，并获得了关于他们疾病进展(包括转移)的可用信息，他们拍摄了大约1.2万个随机生活在培养皿中的细胞的视频，生成了大约170万张原始图像。然后，研究人员使用人工智能算法从这些图像中提取出56种不同的抽象数字特征。
Danuser博士和他的同事们发现了一个能够准确区分高转移潜能和低转移潜能细胞的特征。他补充说，通过操纵这一抽象的数字特征，他们生成的人工图像夸大了转移瘤固有的肉眼无法察觉的可见特征。高转移性细胞产生略多的假足延伸(一种指状投射)，并增加了光散射，这可能是由于细胞细胞器的细微重排。
为了进一步证明这一工具的实用性，研究人员首先对人类黑色素瘤细胞的转移潜能进行分类，这些细胞已在培养皿中冷冻并培养了30年，然后将它们植入小鼠体内。那些被预测为高转移性的肿瘤形成的肿瘤很容易在动物体内扩散，而那些被预测为低转移性的肿瘤几乎不扩散或根本不扩散。
德克萨斯大学西南分校的细胞生物学教授Danuser博士指出，这种方法需要进一步研究，才能成为临床护理的一部分。但他补充说，最终可能会使用人工智能来区分癌症和其他疾病的重要特征。
这项研究发表在电池系统．
来源:德克萨斯大学西南医学中心
