使用深度学习辅助生物激光器检测抗原独立的单细胞循环瘤细胞.
Weishu Wu1, Yu Zhang2, Xiaotian Tan3
1Department of Biomedical Engineering, University of Michigan, Ann Arbor, MI, 48109, USA; Center for Wireless Integrated MicroSensing and Systems (WIMS(2)), University of Michigan, Ann Arbor, MI, 48109, USA; Max Harry Weil Institute for Critical Care Research and Innovation, University of Michigan, Ann Arbor, MI, 48109, USA.
Biosensors & bioelectronics
|November 30, 2024
概括
这项研究引入了一种新的抗原独立方法,用于使用深度学习和单细胞激光检测循环瘤细胞 (CTC). 这种方法实现了高灵敏度和特异性,为癌症诊断和研究提供了新的可能性.
科学领域:
- 生物医学工程 生物医学工程
- 光学物理学的光学物理学
- 癌症研究 癌症研究
背景情况:
- 循环瘤细胞 (CTC) 是癌症预后的关键生物标志物.
- 目前的CTC检测依赖于抗原依赖性免疫标记,限制了其范围.
- 需要抗原独立的方法来更广泛地识别CTC.
研究的目的:
- 开发和验证使用深度学习和单细胞激光器进行CTC检测的抗原独立方法.
- 评估开发的分类器在检测胰腺癌CTCs方面的性能.
- 评估模型对不同癌症类型和列举的概括能力.
主要方法:
- 使用深度学习辅助的单细胞生物激光系统.
- 开发了一个深细胞激光分类器 (DCLC),分析独特的单细胞激光模式模式.
- 应用核酸染色细胞在光学腔内进行激光测量.
主要成果:
- 在检测胰腺癌细胞系时,获得了94.3%的灵敏度和99.9%的特异性.
- 证明了对分类不同胰腺癌细胞系的零射击学习能力.
- 在胰腺和肺癌患者中成功列举了CTC,其趋势与传统方法一致.
结论:
- 单细胞激光器与深度学习相结合,为CTC检测提供了一种强大的抗原独立方法.
- DCLC模型显示了癌细胞分类和计数的高精度和零射击概括.
- 这项技术为罕见细胞识别和癌症诊断中的临床应用开辟了新的途径.
