德國亥姆霍茲慕尼黑研究中心和慕尼黑大學的研究人員首次發(fā)現(xiàn)，在對急性髓細胞性白血病患者的血樣進行分類方面，深度學習算法表現(xiàn)出色。這一概念驗證研究為將來廣泛使用對樣品的自動化、標準化分析鋪平了道路。該論文發(fā)表在《自然·機器智能》雜志上。
研究人員每天要在醫(yī)學實驗室和診所評估數(shù)百萬個血細胞以診斷疾病，將其分為大約15個不同的類別。這些重復性工作大多數(shù)依靠人工完成，容易導致樣品質(zhì)量變化，并且要依靠專家和專業(yè)知識。
為了更有效地評估單個血細胞，研究團隊開發(fā)了神經(jīng)元深度學習網(wǎng)絡，用了將近20000張單獨的圖像對其進行訓練，使其能夠?qū)毎M行獨立分類。由卡斯滕·馬爾博士領(lǐng)導的團隊使用了從100例侵襲性血液病AML患者和100例對照的血液涂片中提取的圖像，然后通過將其與人類專家的準確性進行比較，來評估這種新的自動化解決方案。
用于圖像處理的深度學習算法需要兩個基本條件：具有數(shù)千個參數(shù)的合適的神經(jīng)網(wǎng)絡體系結(jié)構(gòu)和足夠的訓練數(shù)據(jù)。到目前為止，還沒有大量的數(shù)字化血細胞記錄，盡管這些樣品每天都在診所使用。亥姆霍茲慕尼黑研究中心的研究小組提供了此類的第一個大型數(shù)據(jù)集。目前，馬爾團隊與慕尼黑大學醫(yī)學和綜合診所III，以及慕尼黑白血病實驗室緊密合作，用數(shù)字化完成了數(shù)百例患者血液涂片。
“將我們的方法付諸實踐，將患者的血液涂片數(shù)字化需要成為常規(guī)，還要對不同來源的樣品進行算法訓練，以了解樣品制備和染色過程中固有的異質(zhì)性。”馬爾說，“我們能夠證明深度學習算法的性能與細胞學家一樣好。下一步我們將研究使用這種新的AI驅(qū)動方法如何預測其他疾病，例如基因突變或易位。”(記者 顧鋼)
關(guān)鍵詞： 血細胞分類
營業(yè)執(zhí)照公示信息