通过深度学习模型预测转移性癌症风险

　　发表于细胞系统，通过检测人眼无法检测到的细胞特征，创建了一个能够预测黑色素瘤是否会扩散的深度学习模型。

　　“我们现在有了一个通用的框架，使我们能够采集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实现，”资深作者、 Patrick E 。在德克萨斯大学西南部的基础生物医学科学中，哈格蒂是一位杰出的主席。

　　黑色素瘤是由黑素细胞变化引起的一种严重的皮肤癌，如果不及早发现，它是所有皮肤癌中最有可能扩散的一种。快速识别它有助于医生制定有效的治疗计划，早期诊断的 5 年生存率约为 99% 。

　　医生通常通过活组织检查、血液检查或 X 光、 CT 和 PET 扫描来确定黑色素瘤的阶段，以及黑色素瘤是否已经扩散到身体的其他部位，即转移。细胞行为的变化可能暗示黑色素瘤扩散的可能性，但这些变化太微妙，专家无法观察到。

　　研究人员认为，使用人工智能来帮助确定黑色素瘤的转移潜能可能非常有价值，但到目前为止，人工智能模型还不能解释这些细胞特征。

　　“我们提出了一种结合无监督深度学习和有监督传统机器学习的算法，以及生成图像模型，以可视化预测转移潜能的特定细胞行为。也就是说，我们将人工智能获得的 i NSight 映射回人类智能可以解释的数据线索，”研究合著者、犹他州西南大学生物信息学助理教授安德鲁·杰米森说。

　　研究人员利用 7 名转移性黑色素瘤患者的肿瘤图像，在皮氏培养皿中收集了 12000 多个单个黑色素瘤细胞的延时数据集。研究人员使用深度学习算法识别不同的细胞行为，得到了大约 1700000 张原始图像。

　　基于这些特征，研究小组随后“反向工程”了一个深度卷积神经网络，能够梳理出侵袭性黑色素瘤细胞的物理特性，并预测细胞是否具有高转移潜能。

　　实验在 UT 西南医学中心生物高性能混凝土集群上进行，并使用CUDA – 加速 NVIDIA V100 Tensor Core GPU。他们在 170 万个细胞图像上训练了多种深度学习模型，以可视化和探索从超过 5 TB 原始显微镜数据开始的海量数据集。

　　研究人员随后追踪了黑色素瘤细胞在小鼠体内的扩散情况，并测试了这些特异性预测因子是否会导致高转移性细胞。他们发现被归为高转移性的细胞类型在整个动物体内扩散，而被归为低转移性的细胞则没有。

　　在将这项研究应用于医疗环境之前，还有更多的工作要做。研究小组还指出，这项研究提出了一个问题，即这是否适用于其他癌症，或者黑色素瘤转移是否属于异常情况。

　　Jamieson 说：“研究结果似乎表明，转移潜能，至少是黑色素瘤的转移潜能，是由细胞自主决定的，而不是由环境因素决定的。”。

　　这项研究的应用还可以超越癌症，改变其他疾病的诊断。

　　关于作者

　　Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

　　审核编辑：郭婷