在振荡微通道中对红细胞进行基于AI的图像分析
Andreas Link1, Irene Luna Pardo1, Bernd Porr1
1Division of Biomedical Engineering, School of Engineering, University of Glasgow Oakfield Avenue G12 8LT Glasgow UK Thomas.franke@glasgow.ac.uk.
RSC advances
|October 2, 2023
概括
人工智能通过分析它们独特的流动动力学来区分健康的红细胞 (RBC) 与甲处理的细胞. 这种深度学习模型在非侵入性红细胞表征方面达到97%以上的准确性.
科学领域:
- 生物物理学的生物物理.
- 人工智能的人工智能
- 血液学 血液学 血液学
背景情况:
- 红细胞 (RBC) 在微通道中的流动动力学是复杂的,细胞形状受到流动条件和粘弹性特性的影响.
- 区分健康的红细胞和化学修饰的红细胞对于了解疾病状态至关重要.
研究的目的:
- 开发一种基于人工智能的方法,使用它们的流动行为来区分健康的红细胞和化学修饰的红细胞.
- 为诊断应用建立一种非侵入性,无标签的技术来表征红细胞.
主要方法:
- 利用振荡式微通道在体外观察红细胞.
- 使用TensorFlow来训练和验证用于RBC分类的深度学习模型.
- 分析了细胞形状和流动动力学,以确定健康红细胞和治疗红细胞之间的差异.
主要成果:
- 在分类红细胞中达到超过97%的测试准确性.
- 证明能够区分用甲处理的红细胞,改变它们的粘性弹性.
- 通过单细胞分类提供了受影响细胞的定量数据.
结论:
- 在微通道中对红细胞的基于人工智能的分析提供了一个有前途的非侵入性,无标签的表征方法.
- 这种方法可以通过识别患病的红细胞来帮助诊断血液病症.
- 开发的深度学习模型提供了对RBC健康状况的定量见解.
