Новый алгоритм глубокого обучения может более эффективно обнаруживать генетические мутации и дефицит восстановления несоответствия ДНК при колоректальном раке

Новый алгоритм глубокого обучения, созданный исследователями из Уорикского университета, может определять молекулярные пути и развитие ключевых мутаций, вызывающих колоректальный рак, более точно, чем существующие методы, а это означает, что пациенты могут извлечь выгоду из целевых методов лечения с более быстрым временем обработки и с меньшими затратами.


Чтобы быстро и эффективно лечить колоректальный рак, необходимо определить статус молекулярных путей, участвующих в развитии, и ключевые рака. Современные методы для этого включают дорогостоящие генетические тесты, которые могут быть медленным процессом.

Однако исследователи из отдела компьютерных наук Университета Уорика изучают, как можно использовать для прогнозирования состояния трех основных молекулярных путей колоректального рака и гипермутантных опухолей. Ключевой особенностью метода является то, что он не требует каких-либо ручных аннотаций на оцифрованных изображениях слайдов раковой ткани.

В газете ‘Слабо контролируемая структура глубокого обучения для прогнозирования состояния молекулярных путей и ключевых мутаций при колоректальном раке по стандартным гистологическим изображениям., опубликовано сегодня 19th октября в журнале The Lancet Digital Health, Исследователи из Университета Уорика изучили, как может обнаруживать три ключевые на полных изображениях слайдов колоректального рака, окрашенных гематоксилином и эозином, в качестве альтернативы текущим режимам тестирования этих путей и мутаций.

Исследователи предлагают новый итеративный алгоритм выборки с отбором и ранжированием, который может выбирать репрезентативные фрагменты изображения или фрагменты из всего изображения слайда без необходимости каких-либо подробных аннотаций на уровне ячеек или регионов со стороны патологоанатома. По сути, новый алгоритм может использовать мощность необработанных пиксельных данных для прогнозирования клинически важных мутаций и путей развития рака толстой кишки без вмешательства человека.

Итерационная выборка методом вытягивания и ранжирования работает путем обучения глубокой сверточной нейронной сети для определения областей изображения, наиболее предсказывающих ключевые молекулярные параметры при колоректальном раке. Ключевой особенностью итеративной выборки методом вытягивания и ранжирования является то, что она позволяет проводить систематический и управляемый данными анализ клеточного состава мозаичных изображений, позволяющий четко прогнозировать колоректальные молекулярные пути.

Точность итеративной выборки методом вытягивания и ранжирования также была проанализирована исследователями, которые обнаружили, что для прогнозирования трех основных молекулярных путей колоректального рака и ключевых мутаций их алгоритм оказался значительно более точным, чем существующие опубликованные методы.

Это означает, что новый алгоритм потенциально может быть использован для стратификации пациентов для целевой терапии с меньшими затратами и более быстрым временем обработки по сравнению с секвенированием или специальными подходами на основе окрашивания после крупномасштабной проверки.

Д-р Мохсин Билал, первый автор исследования и специалист по обработке данных Центра анализа изображений тканей (TIA) при Университете Уорика, говорит: «Я очень рад возможности использования алгоритма итеративной выборки методом вытягивания и ранжирования для обнаружения молекулярных путей и ключевых мутаций при колоректальном раке и отобранных пациентов, которые, вероятно, получат пользу от таргетной терапии по более низкой цене и в более короткие сроки. Мы также с нетерпением ждем следующего жизненно важного шага – проверки нашего алгоритма на больших мультицентрических когортах ».

0 Комментарий
Inline Feedbacks
View all comments