为了快速有效地治疗结直肠癌,研究参与分子通路发展的状态及关键突变癌症必须确定。目前的方法包括昂贵的基因测试,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做到这一点机器学习可以用来预测三个主要的状态结肠直肠癌分子途径和超突变肿瘤.该方法的一个关键特点是,它不需要对数字化的癌组织切片图像进行任何手工注释。
华威大学(University of Warwick)的研究人员探索了机器学习如何从用苏木精和伊红染色的结肠直肠癌幻灯片全片图像中检测出三个关键突变,作为目前检测这些途径和突变的替代方案。
研究人员提出了一种新颖的迭代绘制-排序抽样算法,它可以从整张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上进行任何详细的注释。本质上,新的算法可以利用原始像素数据的力量来预测临床上重要的突变和结肠癌的途径,而不需要人类拦截。
迭代绘制-秩抽样的工作原理是训练一个深度卷积神经网络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-秩抽样的一个关键特征是,它能够对图像块的细胞组成进行系统和数据驱动的分析,强烈预测结直肠分子通路。
研究人员也分析了迭代绘制-秩抽样的准确性,他们发现对于预测三个主要的结直肠癌分子通路和关键突变,他们的算法被证明比目前发表的方法更准确。
这意味着,与大规模验证后的测序或特殊染色方法相比,新算法可能用于以更低的成本和更快的周转时间对患者进行靶向治疗。
该研究的第一作者、华威大学组织图像分析中心(TIA)的数据科学家Mohsin Bilal博士说:“我非常兴奋的是,迭代绘制和排名抽样算法的可能性,用于检测分子路径和结肠直肠癌的关键突变,并选择患者可能受益于靶向治疗,以更低的成本和更快的周转时间。我们也期待着在大型多中心队列中验证我们算法的关键下一步。”
华威大学TIA中心主任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的结肠癌突变和通路。我们的迭代绘制-排序抽样算法的一个主要优势是,它不需要耗时和费力的专家病理学家的注释。“这些发现开辟了一种潜在的可能性,即使用迭代分层抽样来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,以更低的成本和更快的周转时间实现这一目标。
“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。”
来源:华威大学