新方法可檢測血液中的罕見癌細胞

腫瘤的次發(fā)性生長，即在轉移后的部位生長，是導致大多數(shù)癌癥惡化以及患者死亡的原因。

因此，循環(huán)腫瘤細胞或CTC的檢測對于嚴重疾病的早期預后以及監(jiān)測治療效果非常重要。當前，只有一種獲得美國食品藥品監(jiān)督管理局（FDA）批準的CTC檢測方法CellSearch，該方法可用于診斷乳腺癌，結直腸癌和前列腺癌。

Lehigh大學，Lehigh Valley癌癥研究所和賓夕法尼亞州立大學之間的一項最新研究得出的結果證明了檢測循環(huán)腫瘤細胞的新方法的潛力。與現(xiàn)有的，依靠昂貴且費時的熒光標記抗體不同，該技術使用了一種功能強大的無標記檢測方法。

該技術由Lehigh大學生物工程學系和機械工程與力學系的Yaling Liu教授與賓夕法尼亞州立大學信息科學與技術學院的Xiaolei Huang教授合作開發(fā)，該技術將機器學習算法應用于包含白細胞和四氯化碳的患者血液樣本中檢測到的細胞的現(xiàn)場顯微鏡圖像。

在Lehigh Valley癌癥研究所主任醫(yī)師Suresh G. Nair醫(yī)師的照護下，從Lehigh Valley醫(yī)院-Cedar Crest接受治療第4期腎癌或腎癌的參與患者中抽取血液樣本。該模型具有很高的準確率：患者血液的總準確度為88.6％，培養(yǎng)細胞的總準確度為97％。相關結果發(fā)表在最近的《Scientific Reports》雜志上。

Nair博士說，Liu的創(chuàng)新技術可分離一管血液中的稀有循環(huán)癌細胞。他說，該方法需要極少的數(shù)據(jù)預處理，并且僅僅依靠簡單的實驗設置。為了獲得結果，該團隊對全血樣本進行了預處理，捕獲了細胞的明場和熒光圖像。他們使用裁剪的單細胞在明場圖像中訓練了深度學習模型，并將相應的熒光圖像用作標簽。他們還以培養(yǎng)的細胞系作為對照，對模型進行了訓練和測試。然后，該小組進行了實地測試，并總結了經(jīng)過訓練的模型的統(tǒng)計結果。

“我們調(diào)整了模型的細節(jié)，以達到更好的結果，直到結果達到最新水平為止。” Liu說。

他們基本上進行了兩個實驗：一個是對白細胞和培養(yǎng)的癌細胞系進行操作的比較組，另一個是對白細胞和患者CTC進行操作的對照組。他們期望使用比較組的**組實驗能夠正常工作，因為培養(yǎng)的細胞有大量的訓練數(shù)據(jù)集。他們使用了1745個單細胞圖像，總體準確率為97.5％。