新方法更有效地识别大肠癌中的基因突变和DNA错配修复缺陷

　　

• 为了有效治疗大肠癌，必须确定参与癌症发展和关键突变的分子途径

• 目前进行的基因测试是为了检测突变和途径，这可能是昂贵的，可能需要数周时间

• 华威大学的研究人员提出了一种新的机器学习算法，该算法准确率高，不需要人工注释，可以检测大肠癌中的三个关键分子路径

• 与目前的治疗方法相比，该研究结果为选择成本更低、周转时间更短的靶向治疗患者提供了可能性

华威大学(University of Warwick)研究人员发明的一种新的深度学习算法，可以比现有方法更准确地获取导致结直肠癌的分子路径和关键突变的发展，这意味着患者可以受益于更快的转换时间和更低的成本的靶向治疗。为了快速有效地治疗大肠癌，必须确定参与肿瘤发展和关键突变的分子途径的状态。目前的方法涉及昂贵的基因测试，这可能是一个缓慢的过程。然而，华威大学计算机科学系的研究人员一直在探索如何使用机器学习来预测三种主要的结肠直肠癌分子途径和高突变肿瘤的状态。该方法的一个关键特点是，它不需要对数字化的癌变组织切片图像进行任何手工标注。

在10月19日发表在《柳叶刀数字健康》杂志上的一篇论文中，华威大学(University of Warwick)的研究人员已经探索了机器学习如何从用苏木精(Hematoxylin)和伊红(Eosin)染色的结直肠癌全幻灯片图像中检测出三种关键突变，作为对这些途径和突变的当前检测机制的替代。研究人员提出了一种新颖的迭代绘图和排序采样算法，该算法可以从整个幻灯片图像中选择有代表性的子图像或瓦片，而不需要病理学家在细胞或区域水平上进行任何详细的注释。

从本质上说，新的算法可以利用原始像素数据的力量来预测结肠癌的临床重要突变和途径，而无需人工截取。迭代抽取和排序采样通过训练深度卷积神经网络来识别大肠癌中最能预测关键分子参数的图像区域。迭代抽取和排序抽样的一个关键特征是，它能够对图像块的细胞组成进行系统和数据驱动的分析，强烈地预测结直肠分子路径。

研究人员还对迭代抽取和排序抽样的准确性进行了分析，他们发现，在预测大肠癌的三个主要分子路径和关键突变方面，他们的算法被证明比目前公布的方法更准确。这意味着，与大规模验证后的测序或基于特殊染色的方法相比，新算法有可能用于对患者进行分层靶向治疗，成本更低，周转时间更短。

该研究的第一作者、华威大学组织图像分析(TIA)中心的数据科学家Mohsin Bilal博士说:“我对迭代抽取和排序抽样算法用于检测大肠癌分子路径和关键突变的可能性感到非常兴奋，并选择可能受益于更低成本和更快周转时间的靶向治疗的患者。我们也期待着在大型多中心队列上验证我们的算法的关键下一步。”

华威大学TIA中心主任、该研究的资深作者Nasir rajpot教授评论道:“这项研究表明，智能算法可以利用原始像素数据的力量预测结肠癌的临床重要突变和途径。我们的迭代抽取和排序抽样算法的一个主要优点是它不需要病理专家费时费力的注释。

“这些发现打开了使用迭代抽取和排序抽样的潜在可能性，以选择可能受益于靶向治疗的患者，与测序或基于特殊标记的方法相比，这样做成本更低，周转时间更短。“我们现在将寻求对该算法进行大规模的多中心验证，为其临床应用铺平道路。”