机器学习使肺癌细胞系与纤维细胞共培养的轻质卷积神经网络进行分类,用于初步诊断
Adam Germain1, Alex Sabol2, Anjani Chavali1
1Department of Bioengineering, University of Texas at Arlington, 500 UTA Blvd ERB244, Arlington, TX, 76010, USA.
Journal of biomedical science
|August 23, 2024
概括
机器学习准确地使用外生长模式对肺癌亚型进行分类. 这种方法有助于早期分类,以改善晚期患者的治疗.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 精确的肺癌亚型确定对于有效的患者治疗至关重要,特别是在晚期.
- 个性化疗法往往取决于识别特定的基因突变和表达水平.
- 这项研究引入了一种新的机器学习方法,用于使用2D共培养外生模式对肺癌进行分类.
研究的目的:
- 开发和评估一种机器学习模型,根据细胞外生长模式对肺癌亚型进行分类.
- 评估轻质卷积神经网络 (CNN) 在区分非小细胞肺癌 (NSCLC) 亚型的准确性.
- 研究这种方法在分类具有特定瘤基因表达的患者衍生的肺癌细胞方面的潜力.
主要方法:
- 肺癌细胞集群 (A549,H520,H460) 在2D共培养系统中与纤维细胞培养.
- 癌细胞生长的每日图像在9天内被捕获并用于训练.
- 一个轻量级的CNN (TinyVGG架构) 被训练来根据外生长形态分类NSCLC亚型和患者衍生细胞.
主要成果:
- 美国有线电视新闻网的模型在分类A549,H460,H520细胞系的准确率超过93%,在长出1天后.
- 这些细胞系的分类准确度在7天达到100%,患者衍生细胞在4天达到100%.
- 该模型根据KRAS或EGFR瘤基因表达区分了患者衍生的腺癌细胞,突出了不同的外生模式.
结论:
- 一个轻量级的CNN模型可以准确地分类肺癌亚型,包括患者衍生细胞,使用与纤维细胞的2D共同培养中的外生模式.
- 该模型在本地笔记本电脑上有效运行,不需要网络连接,证明了其实际可用性.
- 这种基于机器学习的方法显示了提高早期肺癌亚型和改善晚期患者治疗策略的巨大潜力.
