日本东京工科大学应用生物学部的杉山友康教授与计算机科学学部的龟田弘之教授等人组成的研究团队，开发出了识别癌症干细胞和非癌症干细胞的人工智能（AI）技术。该技术利用AI识别培养细胞或癌组织的相差显微镜图像中的癌症干细胞的细胞形态，可以明确显示出癌症干细胞，有望应用于以癌症干细胞是否存在为指标的药物评估和病理组织诊断等。
这是东京工科大学举全校之力推进的项目“AI研究会”的研究成果，相关论文已于2020年6月19日发表在开放存取期刊《Biomolecules》上。
图1：利用AI识别图像中含有的癌症干细胞并生成图像
【背景】
肿瘤依靠名为“癌症干细胞”的非常少的细胞群维持生存，所以靶向癌症干细胞的治疗方法备受关注。作为研究工具，科学家开始利用各种癌症干细胞的培养细胞。部分研究人员认为，干细胞会呈现特征性的细胞形态，但一直没有简单评估干细胞干性的方法。另一方面，近年来，基于AI的图像生成技术“条件生成对抗网络”（CGAN）通过绘制对应的2个图像，可以使完成学习的AI转换源图像，并生成接近实际图像的图像。此次研究就利用CGAN，开发了识别癌症干细胞生成图像的AI技术。
【成果】
研究团队利用相位差图像拍摄细胞和组织图像，并用AI深度学习了图像中含有的癌症干细胞的形态。癌症干细胞的学习用图像使用仅保持干细胞性质的细胞发荧光的Nanog-GFP报告基因的荧光图像。由此，深度学习了利用培养皿培养的癌症干细胞的AI，识别了与实际图像相比相似性和灵敏度平均约为40％、特异性为97％的相位差图像中含有的癌症干细胞，并生成了癌症干细胞的图像（图1）。深度学习肿瘤组织的癌症干细胞的AI，识别精度低于学习培养皿中的癌症干细胞的AI。该结果也表明，对肿瘤组织中存在的癌症干细胞和非癌症干细胞进行组织诊断时，AI生成的图像可用作判断材料。
AI能检测出没有特别标记的癌症干细胞，表明未来的医学生物学及医疗还存在新的可能性。根据细胞的不同，让AI学习各种癌症干细胞的细胞形态，有望将其应用于新的检测技术，比如“评估培养的癌症干细胞的干性”、“肿瘤组织的癌症干细胞诊断”等。另外，在生命科学和医学领域的图像解析中，未确定形态的解析也能应用这种使用AI的研究方法。
论文信息
题目：Deep Learning of Cancer Stem Cell Morphology Using Conditional Generative Adversarial Networks
期刊：《Biomolecules》
DOI：10.3390/biom10060931
文：JST客观日本编辑部
