發(fā)表于細(xì)胞系統(tǒng)，通過檢測(cè)人眼無法檢測(cè)到的細(xì)胞特征，創(chuàng)建了一個(gè)能夠預(yù)測(cè)黑色素瘤是否會(huì)擴(kuò)散的深度學(xué)習(xí)模型。

“我們現(xiàn)在有了一個(gè)通用的框架，使我們能夠采集組織樣本并預(yù)測(cè)細(xì)胞內(nèi)驅(qū)動(dòng)疾病的機(jī)制，這些機(jī)制目前以任何其他方式都無法實(shí)現(xiàn)，”資深作者、 Patrick E 。在德克薩斯大學(xué)西南部的基礎(chǔ)生物醫(yī)學(xué)科學(xué)中，哈格蒂是一位杰出的主席。

黑色素瘤是由黑素細(xì)胞變化引起的一種嚴(yán)重的皮膚癌，如果不及早發(fā)現(xiàn)，它是所有皮膚癌中最有可能擴(kuò)散的一種?？焖僮R(shí)別它有助于醫(yī)生制定有效的治療計(jì)劃，早期診斷的 5 年生存率約為 99% 。

醫(yī)生通常通過活組織檢查、血液檢查或 X 光、 CT 和 PET 掃描來確定黑色素瘤的階段，以及黑色素瘤是否已經(jīng)擴(kuò)散到身體的其他部位，即轉(zhuǎn)移。細(xì)胞行為的變化可能暗示黑色素瘤擴(kuò)散的可能性，但這些變化太微妙，專家無法觀察到。

研究人員認(rèn)為，使用人工智能來幫助確定黑色素瘤的轉(zhuǎn)移潛能可能非常有價(jià)值，但到目前為止，人工智能模型還不能解釋這些細(xì)胞特征。

“我們提出了一種結(jié)合無監(jiān)督深度學(xué)習(xí)和有監(jiān)督傳統(tǒng)機(jī)器學(xué)習(xí)的算法，以及生成圖像模型，以可視化預(yù)測(cè)轉(zhuǎn)移潛能的特定細(xì)胞行為。也就是說，我們將人工智能獲得的 i NSight 映射回人類智能可以解釋的數(shù)據(jù)線索，”研究合著者、猶他州西南大學(xué)生物信息學(xué)助理教授安德魯·杰米森說。

研究人員利用 7 名轉(zhuǎn)移性黑色素瘤患者的腫瘤圖像，在皮氏培養(yǎng)皿中收集了 12000 多個(gè)單個(gè)黑色素瘤細(xì)胞的延時(shí)數(shù)據(jù)集。研究人員使用深度學(xué)習(xí)算法識(shí)別不同的細(xì)胞行為，得到了大約 1700000 張?jiān)紙D像。

基于這些特征，研究小組隨后“反向工程”了一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)，能夠梳理出侵襲性黑色素瘤細(xì)胞的物理特性，并預(yù)測(cè)細(xì)胞是否具有高轉(zhuǎn)移潛能。

實(shí)驗(yàn)在 UT 西南醫(yī)學(xué)中心生物高性能混凝土集群上進(jìn)行，并使用CUDA – 加速 NVIDIA V100 Tensor Core GPU。他們?cè)?170 萬個(gè)細(xì)胞圖像上訓(xùn)練了多種深度學(xué)習(xí)模型，以可視化和探索從超過 5 TB 原始顯微鏡數(shù)據(jù)開始的海量數(shù)據(jù)集。

研究人員隨后追蹤了黑色素瘤細(xì)胞在小鼠體內(nèi)的擴(kuò)散情況，并測(cè)試了這些特異性預(yù)測(cè)因子是否會(huì)導(dǎo)致高轉(zhuǎn)移性細(xì)胞。他們發(fā)現(xiàn)被歸為高轉(zhuǎn)移性的細(xì)胞類型在整個(gè)動(dòng)物體內(nèi)擴(kuò)散，而被歸為低轉(zhuǎn)移性的細(xì)胞則沒有。

在將這項(xiàng)研究應(yīng)用于醫(yī)療環(huán)境之前，還有更多的工作要做。研究小組還指出，這項(xiàng)研究提出了一個(gè)問題，即這是否適用于其他癌癥，或者黑色素瘤轉(zhuǎn)移是否屬于異常情況。

Jamieson 說：“研究結(jié)果似乎表明，轉(zhuǎn)移潛能，至少是黑色素瘤的轉(zhuǎn)移潛能，是由細(xì)胞自主決定的，而不是由環(huán)境因素決定的?！?。

這項(xiàng)研究的應(yīng)用還可以超越癌癥，改變其他疾病的診斷。

關(guān)于作者

Michelle Horton 是 NVIDIA 的高級(jí)開發(fā)人員通信經(jīng)理，擁有通信經(jīng)理和科學(xué)作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點(diǎn)介紹了開發(fā)者使用 NVIDIA 技術(shù)的多種方式。

審核編輯：郭婷