新机器学习方法改善了乳腺癌研究的干草肿瘤细胞的测试

Euisik Yoon的研究组教授开发了一种新的，更快的方法来鉴定癌症干细胞（CSC），这有助于提高癌症治疗的有效性。

CSCs可以播种和发展转移性位点的肿瘤，导致癌症治疗后患者复发。它们通常也抗化疗和放疗，因此直接靶向CSCs的治疗方法可能大大提高癌症治疗的成功。然而，CSC在患者中甚至甚至在患者中都变化，使得难以发展治疗方法。

通过它们在苛刻的悬浮环境中生长为肿瘤的能力来确定CSC。因此，单细胞悬浮培养物已被证明是鉴定和研究特定患者中CSCs的有效方法。此外，微流体已经大大改进了这种方法，因为它允许单细胞在高吞吐量中可靠地隔离，这有助于减少CSC的错误识别。

但即使使用微流体，该过程可能需要长达两周。这并不理想，因为误操作和细胞污染的风险增加了实验运行的时间越长。

为了解决这些问题，Yoon的集团开发并培训了卷积神经网络（CNN），a机器学习方法对于图像分类，预测单细胞衍生的肿瘤孢子形成。

“使用明亮的田间图像，我们可以从细胞活力的常见形态特征中提高更早的药物反应机器学习算法，“yoon说。

这模型在第4天，在第4天，在第4天，在第4天，在第4天，在第4天，在第4天，在第4天的情况下培训乳腺癌细胞图像。使用第2天图像，该模型预测了肿瘤球的形成，精度为87.3％。它具有88.1％的精度与第4天图像。此外，对于第4天图像，模型估计肿瘤孢子形成的速率为17.8％，而第14天的真实率接近17.6％。

该方法可以帮助推进CSCS在乳腺癌中的研究，改善具有其他类型癌症的潜在类似的靶向治疗。下一步是看该模型是否可以广泛应用于其他形式的癌症。

“单细胞分析和机器学习的结合将为加快生物发现创造强烈的协同效果，”助理研究科学家和本文第一个作者Yu-Chih Chen说。“作为不同类型的癌症细胞可能具有不同的增速，我们需要规范化和重新排列模型，以便更易于应用，并且更可靠地在临床应用中。“

本文，“使用卷积神经网络图像分析的单细胞衍生球形形成率的早期预测”分析化学。

---

---