机器学习方法用于在临床前模型中评估大脑转移负担
Jessica Rappaport1, Quanyi Chen2, Tomi McGuire1
1Inflammatory Cell Dynamics Section, Laboratory of Integrative Cancer Immunology (LICI), Center for Cancer Research (CCR), National Cancer Institute (NCI), Bethesda, MD, United States.
Methods in cell biology
|November 8, 2024
概括
我们开发了一种新的机器学习方法来量化小鼠模型中的大脑转移 (BrM). 这种快速而公正的方法有助于研究有效的BrM疗法.
科学领域:
- 在瘤学瘤学.
- 神经科学是一个神经科学.
- 医疗成像医学成像
背景情况:
- 大脑转移 (BrM) 是癌症的严重并发症,治疗选择有限.
- 临床前模型对于研究BrM至关重要,因为患者样本稀缺.
- 在模型中精确量化转移性负担对于治疗研究至关重要.
研究的目的:
- 提出一种新型的半自动机器学习协议,用于量化小鼠全脑图像中的转移性负担.
- 为在临床前研究中评估BrM提供可重复和公正的方法.
主要方法:
- 使用了QuPath,这是一个开源的图像分析软件.
- 开发了一种半自动机器学习方法来量化转移性负担.
- 将该方法应用于来自小鼠模型的全脑立体显微镜图像.
主要成果:
- 该协议使得转移性负担的快速和可重复量化.
- 该方法是公正的,并保持组织完整性.
- 提供了其他技术可能无法访问的新数据点.
结论:
- 这种机器学习方法为在临床前研究中评估BrM提供了有价值的工具.
- 该协议提高了转移研究的可靠性和效率.
- 促进了对大脑转移的更有效治疗方法的开发.
