相关实验视频
Updated: Jul 1, 2025
08:10
Capture and Release of Viable Circulating Tumor Cells from Blood
Published on: October 28, 2016
8.5K
通过深度学习,在全血中检测罕见的循环瘤细胞集群,使用无标签的流细胞计
Nilay Vora1, Prashant Shekar2, Taras Hanulia1,3
1Department of Biomedical Engineering, Tufts University, Medford, MA, 02155, USA. irene.georgakoudi@tufts.edu.
Lab on a chip
|March 8, 2024
概括
这项研究引入了一种深度学习方法,用于检测血液中的循环瘤细胞集群 (CTCC). 这种先进的方法可以实时进行体内监测,为早期癌症转移的检测和预后提供了一个有前途的工具.
科学领域:
- 生物医学工程 生物医学工程
- 癌症研究 癌症研究
- 机器学习应用 机器学习应用
背景情况:
- 转移性瘤显著恶化患者的生存率.
- 循环瘤细胞群 (CTCC) 是转移性进展的关键指标.
- 现有的CTCC检测方法缺乏体内和实时的能力.
研究的目的:
- 开发和验证基于深度学习 (DL) 的聚焦反射和光流细胞计 (BSFC) 模型,用于检测全血中CTCC.
- 评估基于DL的BSFC在体内和实时CTCC监测中的性能.
- 探索基于DL的BSFC在临床应用和CTCCs的ex vivo隔离方面的潜力.
主要方法:
- 使用BSFC数据实施深度学习模型,用于CTCC的峰值检测和分类.
- 基于DL的BSFC业绩的评估,使用诸如假报警率和皮尔森相关系数等指标.
- 通过使用转移学习,对人工刺研究和不同物种和癌症类型的血液样本模型的验证.
主要成果:
- 基于DL的BSFC模型实现了低误报率 (0.78事件/分钟) 和高相关性 (0.943) 与预期事件.
- 在同型和异型CTCC (≥2细胞) 中,检测纯度达72%,灵敏度达35.3%.
- 该模型对变化的CTCC数量表现出敏感性,并在不同物种和癌症类型中保持性能.
结论:
- 深度学习增强的BSFC提供了一个强大的,无标签的方法来检测全血中CTCC,并有可能进行体内监测.
- 已建立的性能指标和跨物种验证支持基于DL的BSFC的临床翻译.
- 通过产量的进一步进步可能使临床CTCC检测和ex vivo隔离的关键应用成为可能.
更多相关视频
10:29Semi-automatic PD-L1 Characterization and Enumeration of Circulating Tumor Cells from Non-small Cell Lung Cancer Patients by Immunofluorescence
Published on: August 14, 2019
10.6K
14:14Adaptation of Semiautomated Circulating Tumor Cell CTC Assays for Clinical and Preclinical Research Applications
Published on: February 28, 2014
15.9K
