使用人工智能算法在患有食道癌症的患者中检测循环瘤细胞

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 人工智能的人工智能

背景情况:

• 食道状细胞癌 (ESCC) 经常在手术后转移,需要改善循环瘤细胞 (CTC) 的检测方法.
• 目前的CTC检测方法因细胞病理异质性和耗时的标记物表达分析而面临挑战.
• 循环瘤细胞 (CTC) 是转移,治疗反应和各种癌症的预后的关键指标.

研究的目的:

• 评估基于卷积神经网络 (CNN) 的人工智能 (AI) 算法在食道状细胞癌 (ESCC) 中检测循环瘤细胞 (CTC) 的有效性.
• 将AI在CTC检测中的表现与人类研究人员在准确性和速度方面进行比较.
• 评估AI识别CTC的能力,无论特定标记物表达如何,例如上皮细胞粘附分子 (EpCAM).

主要方法:

• 开发和培训基于CNN的AI算法,使用健康志愿者的KYSE ESCC细胞系和外周血液单核细胞 (PBMC).
• 在不同的KYSE细胞系 (KYSE520和KYSE30) 上验证AI算法,具有不同的EpCAM表达水平.
• 对人工智能与人类研究人员的性能进行比较分析,从ESCC患者和健康对照者的血液样本中对CTC进行分类,测量精度和时间效率.

主要成果:

• 人工智能在区分ESCC细胞和PBMC时获得了>99.8%的准确性,超过了人类研究人员 (91.8%的准确性,P=0.011).
• 100张图像的AI分类平均需要0.74秒,比人类研究人员快得多 (630.4秒,P=0.012).
• 与健康志愿者相比,AI检测到ESCC患者中EpCAM阳性/DAPI阳性细胞的平均数量较高 (44.5),并确定了EpCAM阴性细胞.

结论:

• 基于CNN的AI为ESCC中CTC检测提供了高度准确和快速的方法,超过了人类的能力.
• 人工智能检测独立于EpCAM表达的CTC的能力表明,有可能识别新的细胞病理特征.
• 这种人工智能驱动的方法在ESCC的早期检测和管理中显示出临床应用的重大前景,有可能改善患者的治疗结果.