无标签CD34+细胞识别使用深度学习和无镜头影像成像技术
Minyoung Baik1, Sanghoon Shin1, Samir Kumar1
1Department of Electronics and Information Engineering, Korea University, Sejong 30019, Republic of Korea.
Biosensors
|December 22, 2023
概括
使用无透镜影像成像技术 (LSIT) 的新深度学习方法可以准确地识别CD34+细胞,而无需染色. 这种便携式,用户友好的方法有助于非专家的白血病诊断和监测.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 血液学 血液学 血液学
背景情况:
- 准确的CD34+细胞量化对于白血病的诊断和监测至关重要.
- 目前的流动细胞计等方法复杂,耗时,需要专门的资源.
- 需要可访问,高效和无标签的CD34+细胞检测技术.
研究的目的:
- 开发和验证一种使用深度学习和无透镜影像成像技术 (LSIT) 识别CD34+细胞的新型无标签方法.
- 与现有的深度学习架构和标准方法相比,评估自定义AlexNet模型在CD34+细胞分类中的性能.
- 评估拟议的基于LSIT的方法与光激活细胞分类 (FACS) 进行CD34+细胞定量化的可靠性和相关性.
主要方法:
- 来自白血病患者的骨髓和外周血液样本被处理以分离单核细胞.
- 使用专有LSIT设备 (Cellytics) 来捕捉细胞的图像而不染色.
- 在生成的数据集上训练了一个定制的AlexNet深度学习模型,以区分CD34+和非CD34+细胞.
主要成果:
- 定制的AlexNet模型在1929年骨髓图像中识别CD34+细胞方面取得了很高的准确性 (97.3%的训练,96.2%的验证).
- 与Vgg16和ResNet50模型相比,AlexNet模型表现出更高的性能.
- 在基于LSIT的量化和FACS之间观察到强烈的相关性 (R2=0.81),Bland-Altman分析显示了可靠的协议.
结论:
- 基于深度学习的LSIT提供了一种突破性的,无标签的方法,用于快速的CD34+细胞分类和量化.
- 这项技术提高了非专家的可访问性,简化了白血病的诊断和监测.
- 该LSIT方法提供了一个可行的,高效的替代传统的复杂的细胞分析技术.
关键词:
在CD34+分类中,CD34+的分类.凯利特人是什么意思 凯利特人人工智能的人工智能是人工智能.深度学习是一种深度学习.没有标签的细胞计量.没有镜头的影子成像.诊断出白血病 诊断出白血病医疗保健点诊断的诊断方法
