由Techcyte发布的三种连续的人工智能算法进行比较评估,用于识别异常外周血液膜中的血清和白细胞
Lisa F Lincz1,2,3, Karan Makhija1,3, Khaled Attalla3,4
1Haematology Department, Calvary Mater Newcastle, Waratah, New South Wales, Australia.
International journal of laboratory hematology
|October 3, 2023
概括
数字病理学的人工智能 (AI) 显示,随着时间的推移,白细胞差异分析的显著改进. 新的AI协议在识别各种细胞类型,包括中性粒细胞和粒细胞方面表现出更高的准确性.
科学领域:
- 数字病理学数字病理学
- 血液学中的人工智能
- 机器学习在诊断中的应用.
背景情况:
- 数字病理学平台利用深度机器学习进行持续改进.
- 之前的研究确定了Techcyte的AI对白细胞 (WBC) 差异和爆发识别的准确性.
- 这项研究旨在评估随着时间的推移,AI协议的演变和性能提升.
研究的目的:
- 为了比较Techcyte在2019年,2020年和2022年发布的AI软件的不同版本.
- 评估人工智能平台在连续更新中对细胞识别准确性的改进.
- 根据与手动显微镜和爆炸识别指标的相关性来确定优越的AI版本.
主要方法:
- 利用Techcyte的AI软件对124张数字化异常外围血液膜的WBC差异进行了分析.
- 通过手动显微镜 (黄金标准) 在三种AI版本 (AI1,AI2,AI3) 中得到相关的AI结果.
- 使用林氏一致系数 (LCC) 和爆炸识别灵敏度/特异性进行性能比较.
主要成果:
- 人工智能与手动显微镜的相关性在各个版本中得到了改进,AI3显示了中性粒细胞,粒细胞,不成熟粒细胞和促细胞的显著增长.
- 中性粒细胞的林一致系数 (LCC) 从0.77 (AI1) 增加到0.86 (AI3) (p=0.03).
- 在AI3中,爆炸识别的灵敏度达到100%,尽管随着时间的推移,特异性下降.
结论:
- 在相应版本中,Techcyte的AI平台在细胞识别准确度方面取得了显著的改进.
- 人工智能系统保持高灵敏度,用于识别恶性血液膜中的爆炸.
- 持续的深度机器学习提高了数字病理学AI的诊断能力.
