基于深度学习的口腔癌细胞的自动图像分类在体外获得化学抵抗
Hsing-Chuan Hsieh1, Cho-Yi Chen2, Chung-Hsien Chou3
1Institute of Statistics, National Yang Ming Chiao Tung University, Hsinchu, Taiwan.
PloS one
|November 1, 2024
概括
深度学习准确地识别出细微的癌细胞形状变化,即使化学抵抗使它们在视觉上无法区分. 这种卷积神经网络 (CNN) 方法有助于检测关键细胞状态的改变.
科学领域:
- 生物医学图像分析
- 癌细胞生物学 癌细胞生物学
- 机器学习在医疗保健中的应用
背景情况:
- 细胞形态是细胞功能和生物特性的一个关键指标.
- 癌细胞中的化疗耐药性可以诱导微妙的,难以检测的形态变化.
- 需要自动图像分析来识别这些具有挑战性的细胞变化.
研究的目的:
- 调查基于深度学习的图像分析是否可以检测出口腔癌细胞中细微的细胞形状变化,表明化学疗法耐药性.
- 开发和评估一个卷积神经网络 (CNN) 模型,用于分类非癌细胞,化学敏感癌细胞和耐化学性癌细胞.
- 评估CNN在异质人群中估计化学耐药癌细胞的组成的能力.
主要方法:
- 使用了一种口腔癌细胞系,具有获得的化疗耐药性和几乎无法与其父细胞区分的形态.
- 实施了深度学习模型,特别是EfficientNet-B3,用于图像分类的过量和减量采样技术.
- 员工集体学习 (EL) 提高人口组成近似度的准确性.
主要成果:
- 美国有线电视新闻网 (CNN) 模型的分类准确度至少达到98.33%,可以区分非癌细胞,化学敏感癌细胞和耐化学性癌细胞.
- 对于异质细胞群体,最好的模型使用集体学习 (Ensemble Learning) 估计了化学抵抗性癌细胞的真实比例,根平均平方误差 (RMSE) 为0.16.
- 证明了CNNs能够识别与关键细胞状态转换相关的视觉上不可察觉的细胞形状变化的能力.
结论:
- 深度学习,特别是CNN模型,可以有效地识别与癌细胞状态相关的微妙,视觉上具有挑战性的细胞形状变化,如化学抵抗.
- 这种自动化图像分析方法显示了癌症诊断和治疗监测应用的巨大潜力.
- 这项研究强调了CNN在识别和量化难以通过传统显微镜方法辨别的细胞变化的实用性.
