Les cellules cancéreuses qui initient la métastase, ou la propagation de la maladie à partir de son emplacement principal, sont différentes des cellules cancéreuses qui restent dans la tumeur d’origine. La distinction des types de cellules initiatrices de métastases peut déterminer la gravité du cancer et aider les médecins à décider d’un traitement.
Dans Apprentissage automatique APL, par AIP Publishing, des chercheurs de la Texas Tech University ont développé un modèle d’apprentissage en profondeur pour classer les cellules cancéreuses par type. L’outil ne nécessite qu’un simple microscope et une petite quantité de puissance de calcul, produisant des résultats équivalents ou meilleurs que des techniques plus sophistiquées et complexes.
Les cellules cancéreuses sont très hétérogènes et des études récentes suggèrent que des sous-populations cellulaires spécifiques, plutôt que l’ensemble, sont responsables des métastases cancéreuses. L’identification des sous-populations de cellules cancéreuses est une étape critique pour déterminer la gravité de la maladie. »
Wei Li, auteur
Les méthodes actuelles de catégorisation des cellules cancéreuses impliquent des instruments avancés, des techniques biologiques chronophages ou des marqueurs chimiques.
« Le problème avec ces techniques compliquées et plus longues est qu’elles nécessitent des ressources et des efforts qui pourraient être consacrés à l’exploration de différents domaines de la prévention et de la guérison du cancer », a déclaré l’auteur Karl Gardner.
Certaines études utilisent des nanoparticules magnétiques pour suivre les cellules cancéreuses, mais la fixation de ces marqueurs pourrait affecter l’analyse en aval des cellules et l’intégrité des mesures.
« Notre procédure de classification ne consiste pas en des produits chimiques ou des solutions biologiques supplémentaires lors de la prise de photos des cellules », a déclaré Gardner. « C’est une méthode d’identification » sans étiquette « du potentiel métastatique. »
Le réseau de neurones de l’équipe est également simple à utiliser, efficace et automatisé. Après lui avoir fourni une image, l’outil convertit les données en probabilité. Un résultat inférieur à 0,5 catégorise le cancer comme un type de cellule, tandis qu’un nombre supérieur à 0,5 en désigne un autre.
L’outil a été formé pour optimiser la précision des prédictions avec un ensemble d’images de deux lignées de cellules cancéreuses. Il a atteint une précision de plus de 94 % sur les ensembles de données utilisés dans l’étude.
Actuellement, les données de formation ne tiennent compte que des cellules cancéreuses uniques. Cependant, la recherche montre que les amas de cellules tumorales circulantes sont davantage responsables de la propagation du cancer. Les auteurs visent à étendre et à généraliser le modèle pour inclure à la fois des cellules individuelles et des grappes.
