在非贫血人群中,通过人工智能红细胞形态分析和机器学习,增强血病基因载体的识别
Fan Zhang1, Jieyu Zhan2, Yang Wang1
1Department of Laboratory Science, First Affiliated Hospital of Sun Yat-sen University, Guangzhou, China.
European journal of haematology
|December 28, 2023
概括
一个新的机器学习模型,TT@Normal,可以使用红细胞形态识别识别非贫血的血病特征 (TT) 基因载体. 这种人工智能工具突出显示了目标细胞,微细胞和滴细胞作为TT基因携带的关键指标.
科学领域:
- 血液学 血液学 血液学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 非贫血性血病特征 (TT) 占中国南部TT病例的很大一部分.
- 精确识别TT基因携带者对于遗传咨询和管理至关重要.
研究的目的:
- 开发和验证一种人工智能 (AI) 和机器学习 (ML) 模型,用于在非贫血人口中识别血病特征 (TT) 基因载体.
- 为了利用红细胞形态学数据来早期检测TT基因载体.
主要方法:
- 使用基于AI的Mindray MC-100i的红细胞形态的定量分析.
- 开发一种机器学习预测模型 (TT@Normal),使用来自76个TT基因携带者和97个对照者的数字形态数据.
- 关于培训,验证和外部数据集的TT@Normal模型的验证.
主要成果:
- TT@Normal算法在识别非贫血的TT基因载体方面表现出很高的性能.
- 目标细胞,微细胞和滴细胞是TT@Normal模型中最重要的特征.
- 该模型可以在线访问,作为医务人员的可视化和共享工具.
结论:
- 基于ML的TT@Normal模型提供了一种有效的方法,用于识别非贫血个体中的TT基因载体.
- 目标细胞,微细胞和眼细胞的百分比较高,强烈表明TT基因携带.
