為癌癥患者選擇適當治療的第一步是確定他們的特定癌癥類型，包括確定原發(fā)部位——癌癥開始的器官或身體部位。
在極少數情況下，即使經過廣泛的檢測，也無法確定癌癥的起源。盡管這些原發(fā)性未知的癌癥往往具有侵襲性，但腫瘤學家必須用非靶向療法治療它們，這些療法通常具有嚴重的毒性并導致低存活率。
麻省理工學院科赫綜合癌癥研究所和馬薩諸塞州總醫(yī)院 (MGH) 的研究人員開發(fā)的一種新的深度學習方法可以通過仔細研究與早期細胞發(fā)育和分化相關的基因表達程序來幫助對未知原發(fā)性癌癥進行分類。
“有時你可以應用病理學家必須提供的所有工具，但你仍然沒有答案，”科赫研究所的查爾斯 W. (1955) 和詹妮弗 C. 約翰遜臨床研究員、病理學家 Salil Garg 說。麻省總醫(yī)院。“像這樣的機器學習工具可以使腫瘤學家選擇更有效的治療方法，并為他們的患者提供更多指導。”
Garg 是一項新研究的資深作者，該研究于 8 月 30 日發(fā)表在Cancer Discovery上。人工智能工具能夠以高度的敏感性和準確性識別癌癥類型。Garg 是該研究的資深作者，麻省理工學院博士后 Enrico Moiso 是第一作者。
開發(fā)中的機器學習
解析不同類型原發(fā)性未知腫瘤的基因表達差異是機器學習解決的理想問題。癌細胞的外觀和行為與正常細胞完全不同，部分原因是它們的基因表達方式發(fā)生了廣泛的改變。由于單細胞分析的進步和在細胞圖譜中對不同細胞表達模式進行分類的努力，有大量的數據——如果對人眼來說是壓倒性的——包含不同癌癥起源方式和起源的線索。
然而，建立一個機器學習模型，利用健康和正常細胞之間以及不同種類癌癥之間的差異，將其用于診斷工具是一種平衡行為。如果一個模型過于復雜并且考慮了太多癌癥基因表達的特征，該模型可能看起來完美地學習了訓練數據，但在遇到新數據時會動搖。然而，通過縮小特征數量來簡化模型，模型可能會遺漏導致癌癥類型準確分類的信息種類。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯系刪除！