出国看病研究新的学习算法可以更有效地发现结肠直肠癌的基因突变

出国看病研究新的学习算法可以更有效地发现结肠直肠癌的基因突变

Warwick大学的出国看病研究人员创造的一种新的深度学习算法可以比现有方法更准确地了解导致结肠直肠癌的关键突变的分子途径和发展，这意味着患者可以受益于目标疗法，其周转时间更快，成本更低。

出国看病研究为了快速有效地治疗结肠直肠癌，必须确定参与癌症发展和关键突变的分子通路的状态。目前的方法涉及昂贵的基因测试，这可能是一个缓慢的过程。

然而，沃里克大学计算机科学系的出国看病研究人员一直在探索如何利用机器学习来预测三种主要结肠直肠癌分子通路和超突变肿瘤的状态。该方法的一个关键特点是，它不需要任何手动注释的数字化图像的癌组织幻灯片。

出国看病研究人员在论文中，"一个监督不力的深度学习框架，以预测分子通路和结肠直肠癌的关键突变的状态，从常规组织学图像，"今天出版的19th10月，在《柳叶刀数字健康》杂志上，沃里克大学的研究人员探索了机器学习如何从彩色血氧素和Eosin的结肠直肠癌幻灯片全滑图像中检测出三个关键突变，作为这些通路和突变的替代测试制度。

出国看病研究人员提出了一种新的迭代绘制和排名取样算法，它可以从全滑图像中选择具有代表性的子图像或磁贴，而无需病理学家在细胞或区域层面提供任何详细的注释。从本质上讲，新算法可以利用原始像素数据的力量来预测结肠癌的临床重要突变和通路，而无需人工拦截。

迭次绘制和排名采样的工作原理是训练一个深的汇周神经网络，以确定图像区域能预测结肠直肠癌的关键分子参数。迭度绘制和排名采样的一个关键特点是，它能够系统地和数据驱动地分析图像砖的细胞组成，有力地预测结肠直肠分子通路。

出国看病研究人员还分析了迭度抽签和排名取样的准确性，发现对于三种主要结肠直肠癌分子通路和关键突变的预测，他们的算法比目前公布的方法要准确得多。

这意味着，与大规模验证后的测序或基于特殊污渍的方法相比，新算法可能用于将患者分层用于有针对性的治疗，成本更低，周转时间更快。

这项出国看病研究的第一作者、沃里克大学组织图像分析（TIA）中心的数据科学家MohsinBilal博士说："我非常兴奋能够使用迭次抽签和排名取样算法来检测结肠直肠癌的分子通路和关键突变，并选择可能以更低的成本、更快的周转时间从靶向治疗中受益的患者。我们还期待着在大型多中心群系验证算法的关键下一步。

沃里克TIA中心主任、这项出国看病研究的作者纳西尔·拉杰普特教授评论道："这项出国看病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结肠癌的临床重要突变和途径。我们迭代抽签和排名取样算法的一个主要优点是，它不需要专家病理学家的费时费力的注释。这些发现为可能使用迭次抽签和排名取样来选择可能受益于靶向疗法的患者开辟了可能性，与测序或基于特殊标记的方法相比，这些方法的成本更低，周转时间更快。

"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。