Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El algoritmo de aprendizaje profundo puede descubrir exacto los caminos moleculares, mutaciones dominantes en cáncer colorrectal

Un nuevo algoritmo de aprendizaje profundo creado por los investigadores de la universidad de Warwick puede tomar los caminos y el revelado moleculares de las mutaciones dominantes que causan el cáncer colorrectal más exacto que los métodos existentes, significando a pacientes podrían beneficiarse de terapias apuntadas con tiempos de apartadero más rápidos y en un más barato.

Para de manera rápida y eficiente tratar el cáncer colorrectal el estado de los caminos moleculares implicados en las mutaciones del revelado y de la llave del cáncer debe ser resuelto. Los métodos actuales a hacer implican tan las pruebas genéticas costosas, que pueden ser un proceso lento.

Sin embargo, los investigadores del departamento de informática en la universidad de Warwick han estado explorando cómo el aprendizaje de máquina se puede utilizar para predecir el estado de tres caminos moleculares del cáncer colorrectal principal y de tumores híper-transformados. Una característica dominante del método es que no requiere ninguna anotaciones manual en imágenes digitales de las diapositivas cacerígenas del tejido.

En el papel, “vigilados débil profundamente aprendiendo el marco para predecir el estado de caminos moleculares y de mutaciones dominantes en cáncer colorrectal de imágenes rutinarias de la histología”, publicado hoy los 19th de octubre, en la salud de The Lancet Digital del gorrón, los investigadores de la universidad de Warwick han explorado cómo el aprendizaje de máquina puede descubrir tres mutaciones dominantes de imágenes de la entero-diapositiva de las diapositivas colorrectales del cáncer manchadas con Hematoxylin y eosina, como alternado a los regímenes actuales de la prueba para estos caminos y mutaciones.

Los investigadores proponen un algoritmo iterativo nuevo del muestreo del drenaje-y-grado, que puede seleccionar sub-imágenes representativas o las tejas de una imagen de la entero-diapositiva sin la necesidad de ningunas anotaciones detalladas en la célula o de niveles regionales de un patólogo. Esencialmente el nuevo algoritmo puede leverage la potencia de los datos sin procesar del pixel para predecir clínico mutaciones y los caminos importantes para el cáncer de colon, sin la interceptación humana.

El muestreo iterativo del drenaje-y-grado trabaja entrenando a una red neuronal circumvolucional profunda para determinar las regiones de la imagen más proféticas de los parámetros moleculares dominantes en cánceres colorrectales. Una característica dominante del muestreo iterativo del drenaje-y-grado es que habilita un análisis sistemático y dato-impulsado de la composición celular de las tejas de la imagen fuertemente proféticas de caminos moleculares colorrectales.

La exactitud del muestreo iterativo del drenaje-y-grado también ha sido analizada por los investigadores, que encontraron que para la predicción de los tres caminos moleculares del cáncer colorrectal principal y de las mutaciones dominantes su algoritmo demostrado ser más exactos que métodos publicados corriente.

Esto significa que el nuevo algoritmo se puede potencialmente utilizar para estratificar a los pacientes para las terapias apuntadas, en costos más bajos y tiempos de apartadero más rápidos, con respecto a la secuencia o a aproximaciones basadas mancha de óxido especial después de la validación en grande.

Soy muy emocionado sobre la posibilidad del uso iterativo del algoritmo del muestreo del drenaje-y-grado de descubrir caminos moleculares y las mutaciones dominantes en cáncer colorrectal y de seleccionar a pacientes probablemente beneficiarse de terapias apuntadas en más barato con tiempos de apartadero más rápidos. También estamos observando adelante al paso siguiente vital de validar nuestro algoritmo en las cohortes multi-céntricas grandes.”

El Dr. Mohsin Bilal, autor y científico en el centro del Analytics de la imagen del tejido, universidad del estudio primer de los datos de Warwick

Profesor Nasir Rajpoot, director del centro de TIA en Warwick y autor mayor del estudio, comenta:

“Este estudio demuestra cómo los algoritmos elegantes pueden leverage la potencia de los datos sin procesar del pixel para predecir clínico mutaciones y los caminos importantes para el cáncer de colon. Una ventaja importante de nuestro algoritmo iterativo del muestreo del drenaje-y-grado es que no requiere anotaciones que toma tiempo y laboriosas de los patólogos expertos.

“Estas conclusión abren la posibilidad del uso potencial del muestreo iterativo del drenaje-y-grado de seleccionar a pacientes probablemente beneficiarse de terapias apuntadas y hacen eso en costos más bajos y con tiempos de apartadero más rápidos con respecto a la secuencia o a aproximaciones basadas marcador especial.

“Ahora observaremos para conducto una validación multi-céntrica grande de este algoritmo para pavimentar la manera para su adopción clínica.”