如何運用 GPU 分析細胞,減少不必要的攝護腺癌活體組織切片

作者 Tony Kontzer

作者 TONY KONTZER,2017年9月20日
每年在北美洲約有130萬人接受活體組織切片,以判斷他們是否罹患攝護腺癌。這些只是遵照醫囑進行多次檢測,以查證是否有癌症病狀,但其中許多病歷最後證明是無需進行切片。

阿爾伯塔大學的研究團隊期望以依靠 GPU 運算的全新檢測方式來改變現狀,將取得活體組織切片的數量減少一半。

名為「攝護腺特異抗原」(Prostate-Specific Antigen,PSA)的實況篩檢法,其實「不是那麼可靠,許多男士進行活體切片,沒有什麼好處,還會在過程中增加感染和出現其他副作用的風險。」阿爾伯塔癌症基金會資助成立之「Frank和Carla Sojonky前列腺癌研究主席」的John Lewis 說。

將重心放在囊泡上

Lewis 的團隊採用另一種稱為「膜泡指紋預測評分」(Extracellular Vesicle Fingerprint Predictive Score,EV-FPS)的方法。內部充滿液體的細胞外囊泡負責在細胞間傳遞資訊,研究人員使用 EV-FPS 法仔細檢查囊泡,分析細胞外囊泡的生物標誌資料,預測是否存在著癌細胞的精準程度高於 PAS 檢測法。

難題在於新的檢測法使用四種生物標誌一一分析多達500萬個囊泡,每名患者產生出總數達兩千萬個資料點。但這些囊泡裡潛伏著已誕生於攝護腺的囊泡,每個囊泡都是一種自身起源的細胞圖譜。

此時正是 NVIDIA GPU 和深度學習工具派上用場的地方。

「這麼多的資料,不可能靠肉眼去找出關鍵的癌症模式,這使得我們改用 GPU。」Lewis 說。

研究團隊將 NVIDIA GeForce GTX GPU 搭配 Mathworks 的 MATLAB 數字運算軟體,還有 CUDA version 7.5 及 cuDNN version 5 進行深度學習,以求提升分析能力。他們藉由這個組合訓練一套卷積神經網路,對所有資料進行影像分析作業。

Lewis 的團隊採用五重交叉驗證法,將患者資料分成五組,每組進行一回合的訓練,如此一來確保在進行評估的過程中,每名患者的資料都會在截留(hold-out)組裡使用一次,以提高準確性。

提高準確性=減少使用活體組織切片

結果不言而喻:Lewis 表示他的團隊在對410名患者驗證 EV-FPS 的過程中,將癌症檢測準確率提高了 40%(與 PSA 檢測法比較),代表前述的130萬人有半數無需摘取切片。

這項影響促使團隊將這項新的檢測法進行商業化,並且成立了一家名為 Nanostics 的公司來負責推廣這項檢測法。EV-FPS 包裝成名為 Clarity DX 的產品,而擔任 Nanostics 執行長一職的 Lewis,表示 Clarity DX 將於2018年中以新的篩選法之姿上市。該公司打算取得 FDA 的許可,以便明確宣稱其功效。

這或許只是一項開端。Lewis 預見這項分析細胞外囊泡生物標誌的全新檢測法,可能會對篩檢其它癌症或神經退行性疾病的方法,帶來不同程度的影響性。

圖片:阿爾伯塔大學攝護腺癌研究人員 Dr. John Lewis(左)與研究生 Srijan Raha 共事。圖片提供:阿爾伯塔大學