發(fā)表于細胞系統(tǒng)，通過檢測人眼無法檢測到的細胞特征，創(chuàng)建了一個能夠預測黑色素瘤是否會擴散的深度學習模型。

“我們現(xiàn)在有了一個通用的框架，使我們能夠采集組織樣本并預測細胞內(nèi)驅(qū)動疾病的機制，這些機制目前以任何其他方式都無法實現(xiàn)，”資深作者、 Patrick E 。在德克薩斯大學西南部的基礎生物醫(yī)學科學中，哈格蒂是一位杰出的主席。

黑色素瘤是由黑素細胞變化引起的一種嚴重的皮膚癌，如果不及早發(fā)現(xiàn)，它是所有皮膚癌中最有可能擴散的一種。快速識別它有助于醫(yī)生制定有效的治療計劃，早期診斷的 5 年生存率約為 99% 。

醫(yī)生通常通過活組織檢查、血液檢查或 X 光、 CT 和 PET 掃描來確定黑色素瘤的階段，以及黑色素瘤是否已經(jīng)擴散到身體的其他部位，即轉(zhuǎn)移。細胞行為的變化可能暗示黑色素瘤擴散的可能性，但這些變化太微妙，專家無法觀察到。

研究人員認為，使用人工智能來幫助確定黑色素瘤的轉(zhuǎn)移潛能可能非常有價值，但到目前為止，人工智能模型還不能解釋這些細胞特征。

“我們提出了一種結(jié)合無監(jiān)督深度學習和有監(jiān)督傳統(tǒng)機器學習的算法，以及生成圖像模型，以可視化預測轉(zhuǎn)移潛能的特定細胞行為。也就是說，我們將人工智能獲得的 i NSight 映射回人類智能可以解釋的數(shù)據(jù)線索，”研究合著者、猶他州西南大學生物信息學助理教授安德魯·杰米森說。

研究人員利用 7 名轉(zhuǎn)移性黑色素瘤患者的腫瘤圖像，在皮氏培養(yǎng)皿中收集了 12000 多個單個黑色素瘤細胞的延時數(shù)據(jù)集。研究人員使用深度學習算法識別不同的細胞行為，得到了大約 1700000 張原始圖像。

基于這些特征，研究小組隨后“反向工程”了一個深度卷積神經(jīng)網(wǎng)絡，能夠梳理出侵襲性黑色素瘤細胞的物理特性，并預測細胞是否具有高轉(zhuǎn)移潛能。

實驗在 UT 西南醫(yī)學中心生物高性能混凝土集群上進行，并使用CUDA – 加速 NVIDIA V100 Tensor Core GPU。他們在 170 萬個細胞圖像上訓練了多種深度學習模型，以可視化和探索從超過 5 TB 原始顯微鏡數(shù)據(jù)開始的海量數(shù)據(jù)集。

研究人員隨后追蹤了黑色素瘤細胞在小鼠體內(nèi)的擴散情況，并測試了這些特異性預測因子是否會導致高轉(zhuǎn)移性細胞。他們發(fā)現(xiàn)被歸為高轉(zhuǎn)移性的細胞類型在整個動物體內(nèi)擴散，而被歸為低轉(zhuǎn)移性的細胞則沒有。

在將這項研究應用于醫(yī)療環(huán)境之前，還有更多的工作要做。研究小組還指出，這項研究提出了一個問題，即這是否適用于其他癌癥，或者黑色素瘤轉(zhuǎn)移是否屬于異常情況。

Jamieson 說：“研究結(jié)果似乎表明，轉(zhuǎn)移潛能，至少是黑色素瘤的轉(zhuǎn)移潛能，是由細胞自主決定的，而不是由環(huán)境因素決定的?！?。

這項研究的應用還可以超越癌癥，改變其他疾病的診斷。

關于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經(jīng)理，擁有通信經(jīng)理和科學作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術(shù)的多種方式。

審核編輯：郭婷