验证用于癌症检测和识别的微流体装置原型:基于细胞轨迹分析的循环瘤细胞分类利用基于细胞的建模和机器学习

科学领域:

• 生物医学工程 生物医学工程
• 癌症研究 癌症研究
• 微流体学 微流体学

背景情况:

• 微流体装置 (MDs) 提供了用于检测循环瘤细胞 (CTCs) 的新方法.
• 目前的CTC检测方法往往导致异质种群,需要复杂,昂贵和耗时的下游处理来识别表型.
• 对CTC分类有必要采用高效和成本效益的方法.

研究的目的:

• 为了研究一个超均的微位微流体装置 (MD) 的潜力,以经济高效的循环瘤细胞 (CTC) 分类.
• 开发和验证一个结合数学建模和机器学习的计算框架,用于CTC表型分析.
• 评估拟议方法在基于细胞轨迹的不同CTC表型之间区分的能力.

主要方法:

• 开发了一个基于细胞的建模框架,以模拟红细胞载体的血流在微流体通道中的CTC动态.
• 利用流体结构相互作用的数学建模来生成CTC轨迹的全面数据集.
• 采用机器学习技术,特别是卷积神经网络 (CNN) 和循环神经网络 (RNN),用于基于轨迹数据的CTC表型分类.

主要成果:

• 产生了大量的模拟CTC轨迹数据集,代表了两个不同的CTC表型.
• 证明了CNN和RNN模型在使用轨迹数据准确分类CTC表型方面的有效性.
• 验证了超均微柱MD设计的潜力,用于区分CTC表型.

结论:

• 超均的微位微流体装置与机器学习分析相结合,为CTC分类提供了一个有希望的,具有成本效益的策略.
• 这种方法通过准确识别循环瘤细胞表型,为改善早期癌症检测提供了潜在的途径.
• 这项研究强调了计算建模和机器学习之间的协同作用,以推进基于微流体的诊断.