机器学习改善乳腺癌研究

CSC可以种子和发展肿瘤在转移性位点，在治疗后导致癌症复发。它们通常也抵抗化疗以及放射治疗，因此直接针对CSCs的治疗可能会大大提高癌症治疗的成功率。然而，患者之间甚至患者内部的CSCs差异很大，这使得治疗变得困难。

通过它们在苛刻的悬浮环境中生长为肿瘤的能力来确定CSC。因此，单细胞悬浮培养物已被证明是鉴定和研究特定患者的CSCs的有效方法。此外，微流体已经大大改善了这种方法，因为它允许在高吞吐量中可靠地隔离单个细胞，这有助于减少CSC的错误识别。

但即使使用微流体，该过程可能需要长达两周。这并不理想，因为误操作和细胞污染的风险增加了实验运行的时间越长。

为了解决这些问题，Yoon的团队开发和训练了一个卷积神经网络(CNN)机器学习图像分类方法，预测单细胞衍生的肿瘤椎间囊形成。“使用明亮的田间图像，我们可以通过机器学习算法从细胞活力的常见形态特征中预测药物反应，”Euisik Yoon的教授说。

该模型通过训练使细胞图像相互关联乳腺癌在第4天肿瘤井中的球员在第14天的最终尺寸。使用第2天图像，该模型预测了肿瘤球的形成，精度为87.3％。它具有88.1％的精度与第4天图像。此外，对于第4天图像，该模型估计肿瘤孢子形成率为17.8％，而第14天的真实率接近17.6％。

这种方法有助于推进CSCs在乳腺癌中的研究，改善靶向治疗，并有可能在其他类型的癌症中取得类似的成功。下一步是看看这个模型是否可以广泛应用于其他形式的癌症。“单细胞分析和机器学习的结合将产生强大的协同效应，加速生物发现，”助理研究科学家、该论文的第一作者Yu-Chih Chen说。“由于不同类型的癌细胞可能有不同的增殖率，我们需要标准化和重新安排模型，使其可以更普遍地应用，在临床应用中更可靠。”