混合人工智能模型允许无标签识别和分类胰腺瘤重复填充细胞群
Sakib Mohammad1, Kshitij Amar2, Farhan Chowdhury3
1School of Electrical, Computer, and Biomedical Engineering, Southern Illinois University Carbondale, Carbondale, IL, 62901, USA.
Biochemical and biophysical research communications
|August 13, 2023
概括
研究人员开发了深度学习和机器学习模型来分类胰腺瘤再生细胞 (TRC). 这种新的方法准确地识别了TRC亚型,为胰腺癌研究提供了潜在的临床益处.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 人类胰腺癌细胞系中含有少量瘤再生细胞 (TRCs).
- 瘤起源的TRC可以使用软的3D纤维素凝进行选择和生长.
- 胰腺TRCs的高通量识别和分类具有挑战性.
研究的目的:
- 开发深度学习 (DL) 和机器学习 (ML) 模型,以识别和分类3D纤维素凝选择的胰腺TRC.
- 建立一个强大的,无标签的,高吞吐量的TRC分类方法.
主要方法:
- 使用了四个人类胰腺细胞系 (MIA PaCa-2,PANC-1,CFPAC-1,HPAF-II).
- 开发了一种混合模型,将Inception-v3卷积神经网络 (CNN) 结合起来,用于特征提取和支持矢量机 (SVM) 分类器,具有辐射基础函数 (rbf) 内核.
- 使用无监督机器学习算法进行验证.
主要成果:
- 在TRC群体中分为三个主要亚型.
- 通过表现最好的混合CNN-SVM模型,实现了90%的测试准确性.
- 证明开发的模型优于其他监督分类方法.
- 使用无监督集群验证了三种TRC亚型的存在.
结论:
- 一个强大的DL-ML模型可以准确地检测和分类瘤性胰腺TRC亚群,以高通量,无标签的方式.
- 这种分类方法在促进胰腺癌研究和临床应用方面具有重大潜力.
- 这些发现支持人工智能驱动的方法在癌细胞亚型和特征的实用性.
