為癌癥患者選擇適當(dāng)治療的第一步是確定他們的特定癌癥類型，包括確定原發(fā)部位——癌癥開始的器官或身體部位。
在極少數(shù)情況下，即使經(jīng)過廣泛的檢測，也無法確定癌癥的起源。盡管這些原發(fā)性未知的癌癥往往具有侵襲性，但腫瘤學(xué)家必須用非靶向療法治療它們，這些療法通常具有嚴(yán)重的毒性并導(dǎo)致低存活率。
麻省理工學(xué)院科赫綜合癌癥研究所和馬薩諸塞州總醫(yī)院 (MGH) 的研究人員開發(fā)的一種新的深度學(xué)習(xí)方法可以通過仔細(xì)研究與早期細(xì)胞發(fā)育和分化相關(guān)的基因表達(dá)程序來幫助對未知原發(fā)性癌癥進(jìn)行分類。
“有時(shí)你可以應(yīng)用病理學(xué)家必須提供的所有工具，但你仍然沒有答案，”科赫研究所的查爾斯 W. (1955) 和詹妮弗 C. 約翰遜臨床研究員、病理學(xué)家 Salil Garg 說。麻省總醫(yī)院。“像這樣的機(jī)器學(xué)習(xí)工具可以使腫瘤學(xué)家選擇更有效的治療方法，并為他們的患者提供更多指導(dǎo)。”
Garg 是一項(xiàng)新研究的資深作者，該研究于 8 月 30 日發(fā)表在Cancer Discovery上。人工智能工具能夠以高度的敏感性和準(zhǔn)確性識別癌癥類型。Garg 是該研究的資深作者，麻省理工學(xué)院博士后 Enrico Moiso 是第一作者。
開發(fā)中的機(jī)器學(xué)習(xí)
解析不同類型原發(fā)性未知腫瘤的基因表達(dá)差異是機(jī)器學(xué)習(xí)解決的理想問題。癌細(xì)胞的外觀和行為與正常細(xì)胞完全不同，部分原因是它們的基因表達(dá)方式發(fā)生了廣泛的改變。由于單細(xì)胞分析的進(jìn)步和在細(xì)胞圖譜中對不同細(xì)胞表達(dá)模式進(jìn)行分類的努力，有大量的數(shù)據(jù)——如果對人眼來說是壓倒性的——包含不同癌癥起源方式和起源的線索。
然而，建立一個(gè)機(jī)器學(xué)習(xí)模型，利用健康和正常細(xì)胞之間以及不同種類癌癥之間的差異，將其用于診斷工具是一種平衡行為。如果一個(gè)模型過于復(fù)雜并且考慮了太多癌癥基因表達(dá)的特征，該模型可能看起來完美地學(xué)習(xí)了訓(xùn)練數(shù)據(jù)，但在遇到新數(shù)據(jù)時(shí)會(huì)動(dòng)搖。然而，通過縮小特征數(shù)量來簡化模型，模型可能會(huì)遺漏導(dǎo)致癌癥類型準(zhǔn)確分類的信息種類。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財(cái)經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！