Модель глубокого обучения поможет выявить клетки, склонные к метастазированию

Способность к метастазированию — это один из ключевых признаков опухолевых клеток, который приводит к распространению очагов опухоли по организму, что, в свою очередь, связано с неблагоприятным прогнозом.При этом клетки опухоли обладают неодинаковым потенциалом к метастазированию. Определение клеток, которые с большей вероятностью способны формировать метастазы, может помочь врачам выбирать оптимальные подходы к лечению.

Для идентификации клеток с высоким метастатическим потенциалом ученые из Техасского технологического университета предлагают применять модели глубокого обучения. Предсказание способности к метастазированию основывается на данных светлопольной микроскопии, что подразумевает сравнительно быструю пробоподготовку. Кроме того, предложенный исследователями вариант не требует мечения белков или клеток.

Важным событием в процессе метастазирования является эпителиально-мезенхимальный переход: опухолевые клетки, вышедшие в системный кровоток, начинают экспрессировать мезенхимальные маркеры (N-кадгерин, виментин) вместо эпителиальных, таких как цитокератин или молекула клеточной адгезии эпителия (EpCAM).

Именно на уровень экспрессии EpCAM авторы работы и опирались при классификации опухолевых клеток. В обучающей выборке использовали несколько клеточных линий, различающихся по экспрессии EpCAM и по склонности к инвазии. Сравнению подвергались следующие пары клеточных линий: DU145 и PC3, LnCAP и PC3, а также два варианта SKOV3 (SKOV3dr и SKOV3n), один из которых был резистентным к противоопухолевым препаратам (SKOV3dr). DU145 и LnCAP (клеточные линии рака простаты) при этом обладали высоким уровнем экспрессии EpCAM, а PC3 низким.

Саму классификацию проводили при помощи сверточных нейронных сетей (CNN). Авторы работы обучили две сверточных нейросети с глубокой архитектурой — EfficientNetV2 и ResNet-50. Изображения клеток были получены при помощи светлопольной микроскопии с 50-кратным увеличением. После этапа обработки изображений (обрезка до размера 224 × 224 × 3 по высоте, ширине (в пикселях) и количеству каналов соответственно) на составленной выборке обучали ту или иную нейронную сеть.

Авторы статьи отмечают недостаток применения компьютерного зрения в анализе микрофотографий: в ряде случаев модель хорошо обучается на конкретных настройках яркости и контраста, а их изменения (например, при смене микроскопа) ухудшают результаты. Однако применение такой техники машинного обучения, как аугментация данных, уже показало себя как перспективный метод, способный повысить точность классификации, поэтому исследователи используют аугментацию данных и в своей работе.

За этапом анализа изображений и обучения модели следовала оценка эффективности классификации опухолевых клеток. EfficientNetV2 продемонстрировала существенно более высокую стабильность и точность классификации, чем ResNet. Кроме того, время обучения EfficientNetV2 было примерно на 50 % меньше, поскольку в этой архитектуре нейросети имелись дополнительные методы оптимизации. В частности, в разработке EfficientNetV2 применялся поиск нейронной архитектуры (neural architecture search, NAS). В итоге точность EfficientNetV2 достигла 99%.

Заключительный этап работы подразумевал определение того инструмента идентификации, который может быть использован в клинических исследованиях. Авторы говорят, что при таких результатах данные модели могут быть обучены на большом объеме клинических материалов. Несмотря на то, что на сегодняшний день есть несколько других методов машинного обучения, способных идентифицировать опухолевые клетки, исследователи подчеркивают, что их методику отличает доступность: метод требует простой микроскопии и сравнительно небольшой вычислительной мощности. 

В перспективе авторы планируют расширить метод и использовать для анализа циркулирующие опухолевые клетки, которые могут в большей степени отражать метастатический потенциал опухоли.


Собаки обучили нейронную сеть диагностировать рак простаты