在复杂的临床前模型中使用深度学习神经网络准确识别癌细胞:一种无感染的方法
Marilisa Cortesi1,2, Dongli Liu1, Elyse Powell1
1Gynaecological Cancer Research Group, School of Clinical Medicine, Faculty of Medicine and Health, University of New South Wales, Kensington, NSW, 2033, Australia.
Advanced biology
|August 12, 2024
概括
深度神经网络ORACLE在3D共培养中准确地区分了卵巢癌细胞和健康细胞. 这种新的工具使得患者衍生细胞的分析成为可能,进步了体外癌症研究.
科学领域:
- 生物医学研究生物医学研究
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 3D共同培养对于体外研究至关重要,模仿体内条件.
- 在共同培养中分析不同的细胞贡献仍然是一个重大挑战.
- 现有的技术限制了3D共文化模型的广泛应用.
研究的目的:
- 开发一种计算工具,在3D共同培养中将卵巢癌细胞与健康细胞区分开来.
- 为了使复杂的共同培养的分析,包括那些患者衍生细胞.
- 克服目前用于分析3D体外模型的技术的局限性.
主要方法:
- 开发ORACLE (卵巢癌细胞识别),一个深层神经网络.
- 培训ORACLE以核形态的基础上识别卵巢癌细胞.
- 使用多个细胞系和患者衍生培养物的广泛验证.
主要成果:
- 甲骨文在细胞检测和分类方面实现了高精度和可靠性 (F1分数>0.9,ROC-AUC=0.99).
- 该模型有效地描述了各种细胞类型的混因素.
- 甲骨文在识别细胞系和患者原始细胞方面表现出独特的能力.
结论:
- 甲骨文是一个高度准确和可靠的深度神经网络,用于识别卵巢癌细胞.
- 该工具有助于分析仅由患者衍生细胞组成的体外共同培养.
- 甲骨文在生物医学研究中显著提升了3D共同培养模型的实用性,特别是在瘤学中.


