深度学习有助于急性白血病检测和细胞分类,通过使用急性白血病导向管的流动细胞测量来进行细胞分类
Fu-Ming Cheng1, Shih-Chang Lo2, Ching-Chan Lin1
1Division of Hematology and Oncology, Department of Internal Medicine, China Medical University Hospital, China Medical University, Taichung, 404, Taiwan.
Scientific reports
|April 9, 2024
概括
人工智能在查急性白血病方面表现出高灵敏度,通过深度学习精确识别急性髓性白血病 (AML) 和B-淋巴细胞白血病 (B-ALL). 这种人工智能工具还有效地对生理细胞进行分类,有助于更快的诊断.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 使用Euroflow急性白血病导向管 (ALOT) 进行流细胞计,有效识别急性白血病,但可能是劳动密集型.
- 在血液性恶性瘤中,需要有效和准确的诊断工具至关重要.
研究的目的:
- 评估人工智能 (AI) 在查急性白血病中的敏感性.
- 评估AI在分类生理与病理细胞方面的能力.
- 为了确定在流细胞计数据上训练的深度学习模型的有效性,用于白血病检测.
主要方法:
- 一项回顾性研究涉及241名患者的流细胞计数据 (2017-2022),使用ALOT进行分析.
- 在收集的流细胞计数据上开发和训练深度学习AI模型 (ResNet-50和EverFlow).
- 对检测特定白血病类型和分类细胞类型的AI灵敏度的评估.
主要成果:
- 训练有素的AI实现了94.6%的敏髓性白血病 (AML) 检测灵敏度.
- 人工智能对B-淋巴细胞白血病 (B-ALL) 检测显示了98.2%的灵敏度.
- 人工智能在分类生理细胞方面实现了至少80%的灵敏度,病理细胞的性能各不相同.
结论:
- 在流细胞计数据上训练的AI模型显示出对AML和B-ALL的快速和准确识别有重大前景.
- 开发的AI系统可以有效地区分生理和病理细胞,从而有可能简化诊断工作流程.
- 深度学习方法提供了一种可行的解决方案,以克服白血病查中手动流量细胞计分析的耗时性质.
更多相关视频
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
14.0K
12:05Database-guided Flow-cytometry for Evaluation of Bone Marrow Myeloid Cell Maturation
Published on: November 3, 2018
11.6K
