Krebsdiagnosen麻省理工学院深度学习和光子时间伸展

Krebspatienten,死麻省理工学院Chemotherapie奥得河Immuntherapie behandelt了,得西奇regelmaßig CT和pet扫描,和在并把堕落neuen Biopsien unterziehen,嗯死Wirksamkeit der Behandlung祖茂堂beurteilen。Durchflusszytometrie死去,一张方法苏珥Identifizierung zirkulierender Tumorzellen (ZTZ) mithilfe进行einfachen Bluttests,是祝他invasiv als扫描和Biopsien萤石死Krebsbehandlung moglicherweise tiefgreifend verandern。

贝der Durchflusszytometrie了Zellen untersucht,当您为nacheinander一张kleine Offnung在einem Durchflusszytometer durchlaufen。贝der herkommlichen Durchflusszytometrie benotigen死Zellen一张fluoreszierende Markierung。这张萤石das Verhalten der Zellen beeinflussen和死Anwendbarkeit des埃森beeintrachtigen。Bildgebende Durchflusszytometer jedoch erfordern Markierungen。贝Kamerageschwindigkeiten冯mehr als 2000 Zellen pro Sekunde erzeugen您jedoch unscharfe《图片报》。该死是es不praktikabel,一张ausreichende Anzahl一个Zellen祖茂堂scannen,嗯死seltenen abnormen Zellen法登说。

Unsere Gruppe im Photoniklabor der加州大学洛杉矶分校的帽子静脉TS-QPI-System(时间伸展量化相位成像)entwickelt das一张prazise Klassifikation großer Stichproben ohne生物标志物ermoglicht (Abbildung 1)。这本系统verbindet死bildgebende Durchflusszytometrie,死Photonic-Time-Stretch-Technologie (siehe Seitenleiste)在MATLAB和港口^®entwickelte Machine-Learning-Algorithmen。Es萤石Zellen麻省理工学院超级95 - prozentiger Genauigkeit identifizieren。

Auswahlen冯Merkmalen

Unser TS-QPI-System erzeugt 100 g Daten Sekunde。这是静脉不大Datenstrom, der窝gleichen Umfang帽子是不是20 HD-Filme pro Sekunde。毛皮静脉einzelnes实验,贝民主党jede Zelle在静脉Blutprobe冯10 Millilitern abgebildet将和快100.000 Zellen pro Sekunde verarbeitet了,10双50 tb Daten erzeugt das系统。

麻省理工学院MATLAB和der图像处理工具箱™有我们一张Machine-Vision-Pipeline entwickelt,嗯biophysikalische Merkmale来自Bildern冯Zellen祖茂堂extrahieren。死管道umfasst unt anderem CellProfiler,在Python中^®geschriebenes Open-Source-Paket毛皮分析冯Bildern冯Zellen死去。我们有超级200 Merkmale来自杰德Zelle extrahiert,死我们在drei Kategorien gruppiert有:morphologische Merkmale,死的死Große和死形式der Zelle charakterisieren, Merkmale optischer Phasen,死麻省理工学院der Dichte der Zelle korrelieren,和Merkmale optischer Verluste,死麻省理工der Große冯Organellen der Zelle korrelieren。线性回归的风景明信片帽子gezeigt,这位Merkmale dass 16穴Großteil der Informationen enthalten,死皮死Klassifikation erforderlich信德。

Bewertung冯Machine-Learning-Algorithmen

静脉wesentlicher Vorteil冯MATLAB是Moglichkeit死去,zahlreiche unterschiedliche Machine-Learning-Modelle在kurz时间祖茂堂testen。我们不被竞争者Klassifikationsalgorithmen来自der统计和机器学习工具箱™:天真Bayes-Klassifikation,支持向量机(SVM), logistische回归(LR)和静脉tiefes神经元Netz(深层神经网络万博1manbetx,款),麻省理工学院Kreuzentropie das和反向传播trainiert,。

贝测试麻省理工学院Stichproben麻省理工学院一ZTZ-Konzentration erreichten阿莱竞争者Algorithmen(贝叶斯、支持向量机、LR和款)一张Genauigkeit冯超级85 Prozent (Abbildung 2)。我们verbesserten Genauigkeit死去,死Konsistenz和死平衡来Sensitivitat Falsch-Positiv-Rate unser Machine-Learning-Klassifikation魏特,indem我们深度学习麻省理工学院静脉globalen Optimierung der接收机工作特性(ROC) kombinierten。在MATLAB implementiert Nachdem我们估计值innovativen拟设条板,Prozent erhohte er Klassifikationsgenauigkeit auf 95死亡,5。

Beschleunigung冯Experimenten麻省理工学院并行计算

达我们麻省理工学院大数据arbeiteten benotigten我们haufig als一张Woche、嗯unsere Bildverarbeitungs——和Machine-Learning-Prozesse abzuschließen。嗯这Ausfuhrungsdauer祖verkurzen parallelisierten我们unsere Analysen麻省理工学院einem 16-Core-Prozessor和并行计算工具箱™。Mithilfe静脉einfachen parallelen For-Schleife (parfor) fuhrten我们unsere Prozesse gleichzeitig天改16 Prozessoren来自。该死verringerten我们窝Zeitaufwand毛皮死亡分析冯8光明使者汪汪汪杯halben前后标签。

Modellieren Verfeinern des Versuchsaufbaus

Im Photoniklabor der加州大学洛杉矶分校是MATLAB das Haupt-Arbeitstool毛皮死Modellentwicklung Datenanalyse和死亡。我们verwendeten MATLAB,嗯静脉莫德尔des gesamten Versuchsaufbaus祖茂堂entwickeln,冯窝optischen Geraten和窝Laserimpulsen bis欣苏珥Klassifikation einzelner Zellen (Abbildung 3)。

这本莫德尔verwendeten我们als Grundlage毛皮Verbesserungen unser Versuchsaufbaus。嗯那些das Signal-Rausch-Verhaltnis祖verbessern verwendeten我们das莫德尔苏珥模拟spezifischer Laserverstarkungs-Koeffizienten。死Simulationsergebnisse zeigten爹妈,是不是和我们Veranderungen des构造死Gesamtleistung verbessern德国。

Indem我们das系统MATLAB modelliert和simuliert抗议,抗议我们个月毛皮Experimente gespart,和我们有Grundlage毛皮unsere nachsten Schritte gewonnen。我们integrieren zurzeit detaillierte Modelle einzelner Zellen das莫德尔des Gesamtsystems。麻省理工学院的估计值Modellen der拉赫盛了我们,anhand der Arten der祖茂堂klassifizierenden Zellen fundiertere Kompromisse说是der raumlichen Auflosung和der Phasenauflosung einzugehen。

Das系统、Das我们entwickelt有萤石不努尔Krebszellen klassifizieren。我们有es欧什verwendet,嗯Zellen冯Algen anhand国际卫生条例Fettanteils和我Eignung als Biokraftstoffe祖茂堂klassifizieren。足球wesentliche Veranderung,死我们水平vorgenommen抗议,betraf死Oberflachenbeschichtung民主党正构醛,军队窝死Zellen fließen。不geandert有我们Machine-Learning-Pipeline死去,死der分析zugrunde liegt (Abbildung 4)。您lernte eigenstandig, dass毛皮死Klassifikation冯Algenzellen Merkmale optischer Verluste和Phasen wichtiger waren als morphologische Merkmale,在内的皮毛Krebszellen das Gegenteil der战争。