基于增强的深度学习用于识别循环瘤细胞
Martina Russo1, Giulia Bertolini2, Vera Cappelletti2
1Institute for High Performance Computing and Networking-National Research Council of Italy (ICAR-CNR), Naples, Italy.
Computers in biology and medicine
|November 22, 2025
概括
深度学习使用明亮场图像准确识别血液中的循环瘤细胞 (CTC),改善液体活检诊断. 这种方法通过克服传统光技术的局限性,提高了癌症患者的管理.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 循环瘤细胞 (CTC) 是非侵入性癌症管理的重要液体活检生物标志物.
- 鉴定CTC是具有挑战性的,因为其数量较少,异质,以及基于光的方法的局限性.
- 手动分析单细胞图像是耗时且可变的.
研究的目的:
- 开发深度学习 (DL) 管道,以使用明亮场图像将CTC与白细胞区分开来.
- 为了提高诊断准确度,并优化临床工作流程用于CTC分析.
- 通过使用明亮场成像来克服光方法的局限性.
主要方法:
- 使用Parsortix®和DEPArrayTM技术进行公正的CTC隔离和单细胞可视化.
- 开发了一个基于ResNet的卷积神经网络 (CNN) 用于图像分类.
- 在培训期间应用数据增强和集成光 (DAPI) 通道图像,以提高概括性.
主要成果:
- 在区分CTC与白细胞方面,DL模型获得了0.798的F1得分.
- 该模型在测试期间仅使用明亮场图像成功识别了CTC.
- 证明了DL在没有光标记的情况下改进CTC分析的潜力.
结论:
- 深度学习提供了一个强大的工具,用于在液体活检中准确识别CTC.
- 光场单细胞分析与DL相结合,可以克服CTC检测当前的局限性.
- 这种方法有可能显著推进癌症患者的管理和诊断.
