基于集群的人在循环策略,以改进基于机器学习的液体活检中的循环瘤细胞检测.

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 计算生物学 计算生物学

背景情况:

• 对转移性癌症的液体活检在区分循环瘤细胞 (CTC) 和非CTC时面临着挑战.
• 目前的黄金标准方法依赖于繁的手动图像分析.
• 机器学习 (ML) 显示出自动化方面的前景,但需要专家对不确定的预测和有限数据的投入.

研究的目的:

• 开发一个自动化的人在循环中的ML系统,以改进CTC检测和差异化.
• 减少液体活检分析中专家评估所需的时间和精力.
• 通过使用有限的标记数据的有针对性的抽样策略来提高分类性能.

主要方法:

• 结合自主监督深度学习与传统的ML分类器.
• 实施了人为循环策略,从高不确定性集群中进行有针对性的抽样.
• 通过整合专家标记的数据,代地改进了ML模型.

主要成果:

• 在转移性乳腺癌患者数据上证明可行性.
• 与传统方法相比,实现了较好的分类性能.
• 与CellSearch系统相比,显著减少了专家评估时间.

结论:

• 提出的人在循环ML方法有效地改善了液体活检中CTC检测.
• 有针对性的采样策略提高了ML模型的性能,减少了诊断工作量.
• 这种方法提供了一个更有效,更准确的替代方案,以当前的黄金标准转移性癌症分析.