Gesundheit

Tracking von tumor-Zellen und Entschlüsselung verborgener Informationen

Tumorzellen zirkulieren im Blut von Krebs-Patienten sind wichtige Marker für die frühe Diagnose, Behandlungserfolg und die Prognose des Patienten. Aber da so wenige zirkulieren, Sie zu identifizieren ist eine Herausforderung. Dank der künstlichen Intelligenz, die Forscher von der Universität von Twente es geschafft zu automatisieren den Prozess mit einem hohen Grad an Genauigkeit. Darüber hinaus ist die neue Technologie erkennt nicht nur die Tumorzellen, sondern auch entspinnt sich versteckte Informationen. Extrazelluläre Vesikel, in wichtige Zell-Interaktion eingestuft werden, wie gut. Die Forscher präsentierten Ihre Ergebnisse jetzt in der 10. Februar-Ausgabe von Natur die Intelligenz an der Maschine.

Zirkulierende Tumorzellen (CTCs), die freigegeben werden, aus dem ursprünglichen tumor und Bewegung im Blut spielen eine wichtige Rolle bei der Entstehung von Metastasen in andere Teile des Körpers. Nachweis im Blut der Patienten liefert Informationen über die Wirksamkeit der Behandlung und den Patienten die Prognose. Die Anzahl der CTCs ist extrem klein, so dass manuell zählen Sie mit Hilfe der Fluoreszenz-Mikroskopie ist arbeitsintensiv, auch für einen Experten, der weiß, wie zu erkennen CTCs. Das neue automatisierte Ansatz bietet eine Genauigkeit von über 96 Prozent.

UT Wissenschaftler entwickelt eine open-source-Anerkennung Paket für die vorhandene Methode, die bewiesen, dass seine klinische Relevanz; der neue Ansatz nimmt es auf einer höheren Ebene mit Hilfe des automatisierten Lernens. Erweiterte Visualisierung Erträge auch mehr Informationen aus einer Blutprobe: CTCs verschiedener Typen, sowie die extrazelluläre CD45 Bläschen, geben zusätzliche Informationen über die Zelle der Zusammenarbeit, zum Beispiel. Viel Forschung wird aktuell durchgeführt, auf die Rolle, die diese Vesikel.

Fenster in der black box

Forscher trainieren deep-learning-Netzwerken mit einer großen Menge von gut markierten Beispiele, nach denen Sie in der Lage sind, zu lernen und Funktion von selbst, oft besser als Menschen. Wie der eigentliche Lernprozess stattfindet und welche Möglichkeiten das Netz macht intern sind weniger transparent: Ein deep-learning-Netzwerk ist im wesentlichen eine black box. Dank der extra-Modellierung und Visualisierung Schritt auf der Grundlage semi-supervised autoencoding, mehr Informationen aus dem Netzwerk heraus als erwartet. Es ist wie Sie sehen können Teil des Lernens durch ein kleines Fenster in der black box. CTCs verschiedener Typen, weißen Blutkörperchen und Vesikel können deutlich unterschieden werden.

Die open-source-Bild-Analyse-Programm, AKZEPTIEREN, entwickelt von Leonie Zeune, kann kombiniert werden mit dem CellSearch-Technologie für die Erkennung von CTCs. Diese Technologie, co-erfunden von Prof Leon Terstappen, wird bereits von einigen Kliniken. Dank der deep-learning-Entwicklung vorgestellt, das die automatisierte Erkennung ist weiter verbessert.