根据美国癌症协会,每年超过800万人死于癌症。早期检测可以提高生存率。研究人员和临床医生积极探索途径提供早期、准确的诊断,以及更有针对性的治疗。

血液筛查是用来探测许多类型的癌症,包括肝脏、卵巢、结肠癌和肺癌。目前的血液筛检方法通常依赖于细胞或生物分子生化标签粘贴。标签遵循优先癌细胞,使仪器来检测和识别它们。但这些生化药剂也能破坏细胞,使他们不适合进一步的分析。

理想的方法不需要标签…但没有标签,你怎么能得到一个准确的信号或信号吗?

结合显微镜和深度学习diagnose癌症

为了解决这个问题,研究人员正在开发新的方法使用label-free技术,改变血液样本基于他们的物理特性进行了分析。Label-free细胞分析还面临着限制:该方法可以破坏细胞,由于强烈的照明要求。Label-free细胞分析可以是非常不准确的,因为它常常依赖于单个物理属性。新研究旨在改善准确性而减少对细胞的损伤。

在最近一期的自然科学报告,一个多学科的团队加州大学洛杉矶分校研究人员结合显微镜的一种新形式光子time-stretch成像深度学习。与这个强大的新技术,他们能够捕捉3600万视频帧每秒。(理论上人类视觉速率相比较:我们可以处理1000单独的帧每秒的速度,但是我们的大脑模糊图像运动速度高超过150帧/秒。大多数电视和电影在24帧/秒)。然后使用这些图像来检测癌细胞。

。

加州大学洛杉矶分校的研究小组:一个多学科的方法

团队的策略是设计一种新的和准确label-free方法通过开发和集成三个关键组件组合成一个系统:量化相位成像光子时间延伸,深度学习通过大成像数据分析。所有三个组件都使用MATLAB开发。

这项研究是由瓦贾拉里加州大学洛杉矶分校教授,诺斯罗普·格鲁曼公司光电椅子在电气工程;克莱尔力帆陈加州大学洛杉矶分校博士生;和Ata Mahjoubfar加州大学洛杉矶分校的博士后。

第1部分:量化相位成像

显微镜使用彩虹的激光脉冲,不同颜色的光线目标不同的位置,导致space-to-spectrum编码。每个脉冲持续不到1000000000秒。超短激光脉冲冻结的运动细胞,给blur-free图像。不同波长(颜色)的光子携带不同的细胞的信息。

光子穿透细胞,细胞的空间分布信息的蛋白质含量和生物量中编码阶段和不同波长的激光脉冲的振幅。此信息后解码在大数据分析所使用的管道和人工智能算法来准确地识别癌细胞没有任何生物标志物的必要性。

显微镜也使用低照度和post-amplification。这解决了label-free单元中的常见问题分析,照明用于捕获图像的破坏细胞。

“在我们的系统中,平均功率几毫瓦领域的观点,这是非常安全的细胞,”克莱尔力帆陈。“但是,经过细胞,我们放大信号光子的30倍。”

特殊设计的光学显微镜提高图像清晰度。研究人员利用MATLAB设计显微镜根据该决议要求在他们的生物医学实验。图像重建和相位恢复下游也在MATLAB设计分析。

第2部分:放大time-stretch系统

光子时间延伸,Jalali教授发明的,将光信号转换和减缓了图像的显微镜可以捕获它们。显微镜图像可以每秒100000个细胞。图像数字化的速度是每秒3600万图像,相当于每秒500亿像素。

光子穿过很长,专业纤维和到达传感器在激光脉冲之间的时间。MATLAB被用来确定色散补偿光纤的参数。

“系统内增加了像素的不同延迟脉冲并喂它们一个接一个,连续,光电探测器,“Ata Mahjoubfar说。

软件实现阶段背后的物理拉伸变换(PST)作为图像特征检测工具用于从加州大学洛杉矶分校Jalali实验室下载从MathWorks文件交换。使用的代码图像处理工具箱。

PST代码也可以Github:下载或查看更多关于5月以来的27000倍。这篇文章的时候,第三个最高星级当前MATLAB的存储库。

第3部分:大数据分析使用深度学习

一旦显微镜捕捉图像,研究小组利用专业知识来提取16细胞的生物物理特征,如大小和密度。记录这些特性就像记录每个细胞的指纹。该方法产生一个高维数据集用于训练识别癌细胞的机器学习应用程序。

数以百万计的图像分析,团队转向机器学习解决多变量问题。作者利用MATLAB,实现和比较多个从机器学习方法的准确性朴素贝叶斯和金宝app支持向量机,深层神经网络(款)。

提供最佳性能的方法是一个定制款实现最大化ROC曲线下的面积(AUC)在训练。AUC计算基于整个数据集,提供固有的高准确性和可重复性。款成功的为这个具有挑战性的问题是来自他们的学习能力的输入和输出之间的复杂的非线性关系。

在比较各种分类算法的性能,AUC款分类器提供了一个精度95.5%到88.7%的一个简单朴素贝叶斯分类器。应用程序像癌症细胞分类,诊断积极或消极的影响是如此之高,这改善准确性高影响方法的可用性。

提供更多的图片,可以变得更准确的培训系统。团队训练的机器学习模型与数以百万计的线图像和并行处理加速数据分析使用。使用高性能计算(HPC),图像处理和深度学习很容易进行实时的在线学习配置。

语言的创新

不满足于只发展一个新的显微镜技术,团队利用增广显微镜检测癌细胞比现有技术更准确和更少的时间。他们还能够确定哪些最脂质提供后续精炼的藻类品种生物燃料。是的,一个方法解决生物燃料和癌症。

创新离不开创造力、灵感和奉献。有一个跨学科的团队也帮助:这项工作是由计算机科学家之间的合作,电子工程师,工程师们,化学家和医生。

“我们发展人工智能显微镜,我们交叉科学领域的边界和模仿生物,光学,电子,和数据分析系统互联。MATLAB是一个伟大的语言提供的原型和凝聚力这一过程,”Ata Mahjoubfar说。

,这些研究人员展示雄辩地出版,有一个语言的创新可以促进合作和加速创新在不同学科在科学和工程。

你能找到这对显微镜和其他有用的社区开发的工具在这里。

在这个研究的更多信息,阅读本文由加州大学洛杉矶分校研究人员。