Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'algorithme apprenant profond peut exactement trouver les voies moléculaires, mutations principales dans le cancer colorectal

Un algorithme apprenant profond neuf produit par des chercheurs de l'université de Warwick peut capter les voies et le développement moléculaires des mutations principales entraînant le cancer colorectal plus exactement que les méthodes existantes, signifiant des patients pourraient tirer bénéfice des traitements visés avec des temps de retournement plus rapides et à un plus peu coûteux.

Traitez rapidement et efficacement le cancer colorectal le statut de voies moléculaires impliquées dans le développement et les mutations de clavette du cancer doivent être déterminées. Les méthodes actuelles à faire concernent ainsi les tests génétiques coûteux, qui peuvent être un procédé lent.

Cependant, les chercheurs du service de l'informatique à l'université de Warwick avaient exploré comment l'apprentissage automatique peut être employé pour prévoir l'état de trois voies moléculaires de cancer colorectal principal et de tumeurs hyper-mutées. Une fonctionnalité clé de la méthode est qu'elle n'exige aucune annotation manuelle sur des images chiffrées des guides de tissu cancéreux.

Dans le papier, « faible dirigés profondément apprenant le cadre pour prévoir le statut de voies moléculaires et de mutations principales dans le cancer colorectal des images courantes d'histologie », aujourd'hui publié les 19th d'octobre, dans la santé de The Lancet Digital de tourillon, des chercheurs de l'université de Warwick ont exploré comment l'apprentissage automatique peut trouver trois mutations principales des images d'entier-guide des guides de cancer colorectal souillés avec la hématoxyline et l'éosine, comme remplaçant aux régimes actuels de contrôle pour ces voies et mutations.

Les chercheurs proposent un algorithme itératif nouvel d'échantillonnage d'attraction-et-rang, qui peut sélecter des sous-images représentatives ou des tuiles à partir d'une image d'entier-guide sans n'avoir besoin d'aucune annotation détaillée à la cellule ou de niveaux régionaux par un pathologiste. Essentiellement l'algorithme neuf peut influencer le pouvoir des caractéristiques brutes de pixel pour prévoir cliniquement des mutations et des voies importantes pour le cancer du côlon, sans interception humaine.

L'échantillonnage itératif d'attraction-et-rang fonctionne à côté de former un réseau neuronal circonvolutionnaire profond pour recenser des régions d'image les plus prévisionnelles des paramètres moléculaires principaux dans les cancers colorectaux. Une fonctionnalité clé de l'échantillonnage itératif d'attraction-et-rang est qu'elle active une analyse systématique et caractéristique caractéristique de composition cellulaire des tuiles d'image fortement prévisionnelles des voies moléculaires côlorectales.

L'exactitude de l'échantillonnage itératif d'attraction-et-rang s'est également analysée par les chercheurs, qui ont constaté que pour la prévision des trois voies moléculaires de cancer colorectal principal et des mutations principales leur algorithme prouvé pour être plus précis que des méthodes publiées actuelles.

Ceci signifie que l'algorithme neuf peut potentiellement être employé pour stratifier des patients pour des traitements visés, aux coûts inférieurs et aux temps de retournement plus rapides, par rapport à l'ordonnancement ou aux approches basées par souillure spéciale après validation de grande puissance.

Je suis très enthousiaste au sujet de la possibilité d'une utilité itérative d'algorithme d'échantillonnage d'attraction-et-rang de trouver des voies moléculaires et des mutations principales dans le cancer colorectal et de sélecter des patients vraisemblablement tirer bénéfice des traitements visés à plus peu coûteux avec des temps de retournement plus rapides. Nous attendons avec intérêt également la prochaine opération indispensable de valider notre algorithme sur de grandes cohortes multi-centrales. »

M. Mohsin Bilal, auteur d'étude premiers et scientifique de caractéristiques dans l'analytique d'image de tissu centrent, université de Warwick

Professeur Nasir Rajpoot, directeur du centre de TIA chez Warwick et auteur supérieur de l'étude, commente :

« Cette étude explique comment les algorithmes secs peuvent influencer le pouvoir des caractéristiques brutes de pixel pour prévoir cliniquement des mutations et des voies importantes pour le cancer du côlon. Un principal avantage de notre algorithme itératif d'échantillonnage d'attraction-et-rang est qu'il n'exige pas des annotations longues et laborieuses des pathologistes experts.

« Ces découvertes ouvrent la possibilité d'une utilité potentielle de l'échantillonnage itératif d'attraction-et-rang de sélecter des patients vraisemblablement tirer bénéfice des traitements visés et font cela aux coûts inférieurs et avec des temps de retournement plus rapides par rapport à l'ordonnancement ou aux approches basées par borne spéciale.

« Nous examinerons maintenant pour conduire une grande validation multi-centrale de cet algorithme pour préparer le terrain pour son adoption clinique. »