当真正的分类不确定时,训练一个自动循环瘤细胞分类器

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 医疗成像医学成像

背景情况:

• 循环瘤细胞 (CTC) 和瘤衍生的细胞外囊泡 (tdEV) 负载是癌症患者确定的预后因素.
• 目前的CTC计数方法,依赖于运营商审查,由于分类挑战,表现出适度的互操作商协议.
• 准确识别CTC和tDEV对于预测转移性和非转移性癌症患者存活率至关重要.

研究的目的:

• 为了比较操作员审查的有效性,ACCEPT自动图像处理,以及用于CTC和tdEV识别的精细深度学习算法.
• 评估这些计数方法对患者生存的预测价值.
• 引入和评估对比度最大化技术 (CM-CTC和CM-tdEV) 以改进事件检测.

主要方法:

• 利用了418个良性疾病样本,6293个非转移性乳腺,2408个转移性乳腺和698个转移性前列腺癌样本.
• 经过训练,测试,优化和评估的CTC和tdEV编号使用操作员审查,ACCEPT-CTC和精细的深度学习算法 (CM-CTC/CM-tdEV).
• 使用整体存活的危险比率 (HR) 评估预后性能.

主要成果:

• 与运营者审查和ACCEPT-CTC相比,CM-CTC方法在转移性和非转移性乳腺癌中识别CTC表现优异,为整体存活提供了更高的危险比率.
• 与ACCEPT-tdEV相比,CM-tdEV在tdeV识别方面表现更好,总生存危险比率更高.
• 对比度最大化技术在 CTC 和 tdEV 计数中被证明是有效的,而不需要特定领域的知识.

结论:

• 对比度最大化是基于深度学习的CTC和tdEV计数的有效精细化策略.
• 这种方法提高了CTC和tdeV负载的预后价值,用于预测癌症患者的生存率.
• 开发的技术为CTC和tdEV分析提供了更客观和可能更准确的方法.