一个细胞级别的歧视性神经网络模型用于诊断血液癌症

科学领域:

• 计算生物学是一种计算生物学.
• 机器学习在医学中的应用
• 癌细胞识别 癌细胞识别

背景情况:

• 准确的癌细胞识别对于诊断和监测至关重要,但对机器学习具有挑战性.
• 目前的方法往往缺乏样本级数据或无法有效识别单个癌细胞.
• 不同质的癌细胞表型对现有方法存在困难.

研究的目的:

• 开发一个通用,端到端的可差分模型,用于同时预测样本级诊断和癌细胞识别.
• 为了克服传统的多步分类和只有样本级预测方法的局限性.
• 通过精确识别诊断细胞来增强癌症精准医学.

主要方法:

• 开发了细胞评分神经网络 (CSNN),这是一个新的深度学习模型.
• 利用样本级培训数据来预测样本诊断和单个细胞身份.
• 采用反向传播,将细胞水平密度差异与样本诊断联系起来,用于概率计算.

主要成果:

• 在两个独立的白血病数据集上,CSNN在癌症诊断和细胞级分类方面都取得了卓越的表现.
• 该模型成功识别了诊断细胞,其表型与临床观察到的癌症内型相匹配.
• 后期分析,包括决策树和聚类,验证了已识别的癌细胞种群.

结论:

• 细胞评分神经网络 (CSNN) 为癌细胞识别和诊断提供了一种强大,综合的方法.
• 这种方法通过从样本级数据准确识别异质癌细胞,进步了癌症精确医学.
• 公开可用的代码和数据促进了CSNN的进一步研究和应用.