基于深度学习的转移性癌症风险预测模型

发表于《细胞系统》的一项研究，提供了一种全新思路：通过检测人眼根本无法察觉的细胞特征，研究人员构建了一个深度学习模型，能够预测黑色素瘤是否会扩散。换句话说，这相当于给细胞拍摄了一组“超清微表情”，然后让AI来解读它们的真实动向。

“我们现在有了一个通用框架，可以采集组织样本，并预测细胞内驱动疾病的机制——而目前，没有任何其他手段能实现这一点。”论文资深作者、德克萨斯大学西南医学中心基础生物医学科学杰出教授Patrick E. Haggerty这样评价。

黑色素瘤是由黑素细胞癌变引发的恶性皮肤癌，如果不早期发现，它在所有皮肤癌中转移风险最高。快速确诊意味着医生能更早制定有效治疗方案——早期诊断的5年生存率接近99%，这个数字本身就很有说服力。

目前，医生通常通过活组织检查、血液检测或影像学（如X光、CT、PET扫描）来判断黑色素瘤的分期，以及它是否已经扩散到身体其他部位，也就是发生转移。细胞行为的某些变化可能暗示转移风险，但这些变化过于细微，即使是经验最丰富的专家也肉眼难辨。

研究人员早已意识到，借助AI来判定黑色素瘤的转移潜能可能极有价值。但此前的人工智能模型，始终未能成功“读懂”这些细胞特征。

“我们提出了一种算法，将无监督深度学习和有监督的传统机器学习结合起来，并借助生成图像模型，把预测转移潜能的特定细胞行为可视化。也就是说，我们把AI获得的洞察，映射回人类智慧可以理解的数据线索。”研究合著者、犹他大学西南医学中心生物信息学助理教授Andrew Jamieson解释道。

研究团队从7名转移性黑色素瘤患者的肿瘤样本入手，在培养皿中采集了超过12000个单个黑色素瘤细胞的延时数据。利用深度学习算法识别不同的细胞行为后，他们总共得到了约170万张原始图像。

基于这些特征，研究小组随后“反向工程”了一个深度卷积神经网络。这个网络能够梳理出侵袭性黑色素瘤细胞的物理特性，并预测该细胞是否具有高转移潜能——就像是给细胞做了一次“危险等级鉴定”。

实验在德克萨斯大学西南医学中心的高性能计算集群上完成，使用CUDA加速的NVIDIA V100 Tensor Core GPU。他们在170万张细胞图像上训练了多种深度学习模型，以可视化和探索这个起点超过5 TB原始显微镜数据的庞大数据集。

接下来，研究人员追踪了黑色素瘤细胞在小鼠体内的扩散情况，并测试了这些特异性预测因子是否真的指向高转移性细胞。结果相当明确：被归为高转移性的细胞类型，确实在整个动物体内广泛扩散；而被归为低转移性的细胞，则没有出现扩散。

当然，在把这项技术应用到临床之前，还有很多工作要做。研究团队也指出，这引发了一个更深层的问题：这种预测方法是否也适用于其他癌症？还是说，黑色素瘤的转移特性本身就是一个特例？

Jamieson说：“研究结果似乎表明，转移潜能——至少对于黑色素瘤来说——是由细胞自主决定的，而不是由环境因素决定的。”换句话说，细胞的“命运”在它诞生时就已经写好了底稿。

这项研究的意义甚至可能超出癌症领域。未来，类似的方法或许能改变其他疾病的诊断方式——只要我们能找到那些人类肉眼看不见的“细胞暗号”。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：基于深度学习的转移性癌症风险预测模型要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题