Sci Rep:新方法可检测血液中的罕见癌细胞
来源：本站原创 2020-08-05 03:52
肿瘤的次发性生长，即在转移后的部位生长，是导致大多数癌症恶化以及患者死亡的原因。
2020年8月5日讯/生物谷BIOON/--- 肿瘤的次发性生长，即在转移后的部位生长，是导致大多数癌症恶化以及患者死亡的原因。
因此，循环肿瘤细胞或CTC的检测对于严重疾病的早期预后以及监测治疗效果非常重要。当前，只有一种获得美国食品药品监督管理局（FDA）批准的CTC检测方法CellSearch，该方法可用于诊断乳腺癌，结直肠癌和前列腺癌。
Lehigh大学，Lehigh Valley癌症研究所和宾夕法尼亚州立大学之间的一项最新研究得出的结果证明了检测循环肿瘤细胞的新方法的潜力。与现有的，依靠昂贵且费时的荧光标记抗体不同，该技术使用了一种功能强大的无标记检测方法。
该技术由Lehigh大学生物工程学系和机械工程与力学系的Yaling Liu教授与宾夕法尼亚州立大学信息科学与技术学院的Xiaolei Huang教授合作开发，该技术将机器学习算法应用于包含白细胞和四氯化碳的患者血液样本中检测到的细胞的现场显微镜图像。
在Lehigh Valley癌症研究所主任医师Suresh G. Nair医师的照护下，从Lehigh Valley医院-Cedar Crest接受治疗第4期肾癌或肾癌的参与患者中抽取血液样本。该模型具有很高的准确率：患者血液的总准确度为88.6％，培养细胞的总准确度为97％。相关结果发表在最近的《Scientific Reports》杂志上。
Nair博士说，Liu的创新技术可分离一管血液中的稀有循环癌细胞。他说，该方法需要极少的数据预处理，并且仅仅依靠简单的实验设置。为了获得结果，该团队对全血样本进行了预处理，捕获了细胞的明场和荧光图像。他们使用裁剪的单细胞在明场图像中训练了深度学习模型，并将相应的荧光图像用作标签。他们还以培养的细胞系作为对照，对模型进行了训练和测试。然后，该小组进行了实地测试，并总结了经过训练的模型的统计结果。
“我们调整了模型的细节，以达到更好的结果，直到结果达到最新水平为止。” Liu说。
他们基本上进行了两个实验：一个是对白细胞和培养的癌细胞系进行操作的比较组，另一个是对白细胞和患者CTC进行操作的对照组。他们期望使用比较组的第一组实验能够正常工作，因为培养的细胞有大量的训练数据集。他们使用了1745个单细胞图像，总体准确率为97.5％。（生物谷 Bioon.com）
资讯出处：New method to detect rare circulating tumor cells in blood samples
原始出处：Wang, S., et al. (2020) Label-free detection of rare circulating tumor cells by image analysis and machine learning. Scientific Reports. doi.org/10.1038/s41598-020-69056-1.
因此，循环肿瘤细胞或CTC的检测对于严重疾病的早期预后以及监测治疗效果非常重要。当前，只有一种获得美国食品药品监督管理局（FDA）批准的CTC检测方法CellSearch，该方法可用于诊断乳腺癌，结直肠癌和前列腺癌。
（图片来源：Www.pixabay.com）
Lehigh大学，Lehigh Valley癌症研究所和宾夕法尼亚州立大学之间的一项最新研究得出的结果证明了检测循环肿瘤细胞的新方法的潜力。与现有的，依靠昂贵且费时的荧光标记抗体不同，该技术使用了一种功能强大的无标记检测方法。
该技术由Lehigh大学生物工程学系和机械工程与力学系的Yaling Liu教授与宾夕法尼亚州立大学信息科学与技术学院的Xiaolei Huang教授合作开发，该技术将机器学习算法应用于包含白细胞和四氯化碳的患者血液样本中检测到的细胞的现场显微镜图像。
在Lehigh Valley癌症研究所主任医师Suresh G. Nair医师的照护下，从Lehigh Valley医院-Cedar Crest接受治疗第4期肾癌或肾癌的参与患者中抽取血液样本。该模型具有很高的准确率：患者血液的总准确度为88.6％，培养细胞的总准确度为97％。相关结果发表在最近的《Scientific Reports》杂志上。
Nair博士说，Liu的创新技术可分离一管血液中的稀有循环癌细胞。他说，该方法需要极少的数据预处理，并且仅仅依靠简单的实验设置。为了获得结果，该团队对全血样本进行了预处理，捕获了细胞的明场和荧光图像。他们使用裁剪的单细胞在明场图像中训练了深度学习模型，并将相应的荧光图像用作标签。他们还以培养的细胞系作为对照，对模型进行了训练和测试。然后，该小组进行了实地测试，并总结了经过训练的模型的统计结果。
“我们调整了模型的细节，以达到更好的结果，直到结果达到最新水平为止。” Liu说。
他们基本上进行了两个实验：一个是对白细胞和培养的癌细胞系进行操作的比较组，另一个是对白细胞和患者CTC进行操作的对照组。他们期望使用比较组的第一组实验能够正常工作，因为培养的细胞有大量的训练数据集。他们使用了1745个单细胞图像，总体准确率为97.5％。（生物谷 Bioon.com）
资讯出处：New method to detect rare circulating tumor cells in blood samples
原始出处：Wang, S., et al. (2020) Label-free detection of rare circulating tumor cells by image analysis and machine learning. Scientific Reports. doi.org/10.1038/s41598-020-69056-1.
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
